[发明专利]个人信用得分优化评价方法

权利要求书

1.一种个人信用得分优化评价方法，其特征在于包括以下步骤：

根据历史个人征信数据，将征信覆盖范围内的客户进行信用标签标定；

根据信用标签标定结果，对信用指标进行筛选，获得高信息密度与高数据质量的征信数据；

根据筛选的结果对个人信用进行信用得分进行评价，具体评价步骤如下：构造决策树并对构造好的决策树进行剪枝，精简决策树模型，防止决策树在构造过程中过度拟合；采用Boosting推进，进一步提高决策树的准确性；构造成本矩阵与代价敏感树，能降低生成的决策树模型发生高成本误判的概率；对决策树进行修剪及交叉验证，进一步提高决策树的精确度；输入待评价数据，输出信用得分计算结果：利用构建完成的决策树模型，在决策树中输入待评价使用的征信数据，经过训练获得最终的个人信用得分。

2.根据权利要求1所述的个人信用得分优化评价方法，其特征在于，所述对信用指标进行筛选的具体步骤如下：

设定个人信用评价指标构成的高维数据矩阵X＝{x₁,x₂,…,x_n}和标签标定的信用评价因变量Y，在此，Y＝1或者Y＝0；

通过高维数据矩阵X＝{x₁,x₂,…,x_n}和标签标定的信用评价因变量Y来构建回归模型，设定回归系数向量β＝(β₁,β₂,…,β_n)，则回归模型表示为其中p_i＝P(y_i＝1|x_i)表示给定x_i的条件下y_i＝1的条件概率大小，x_i为x₁,x₂,…,x_n中的一值，i＝1,2,…,n；1-p_i＝P(y_i＝1|x_i)表示给定x_i的条件下y_i＝0的条件概率大小，得到信用得分值的概率为N个信用得分值概率的似然函数为：

L(β)=Πi=1Npiyi(1-pi)1-yi---(1)]]>

将公式(1)的似然函数进行对数化处理，处理后得到：

ln L(β)=ln[Πi=1Npiyi(1-pi)1-yi]=Σi=1N[yi(α+βixi)-ln(1+eα+βixi)]---(2)]]>

公式(2)中，α是回归模型中的回归参数，代表信用评价变量X＝{x₁,x₂,…,x_n}以外的综合扰动变量，由式公式(2)可得在此p_i表示某一特定评价值y_i的概率；

可以推出变量选择的目标函数为：

β^j(λ)=argminβ(-ln L(β)+λΣj=1Nωjβj)=argminβ{Σi=1N[yi(α+βixi)-ln(1+eα+βixi)]+λΣj=1Nωjβj}---(3)]]>

公式(3)中为惩罚项，其中λ为调和因子，ω_j为权向量,为目标值，即所需使用的信用得分评价个人征信数据。