[发明专利]一种智能组合的个人信用评估方法及系统

权利要求书

1.一种智能组合的个人信用评估方法，该方法适用于一种个人信用评估系统，所述系统包括样本数据获取模块、样本数据处理模块、数据特征训练模块、评分模型构建模块和评分模型测试模块，其特征在于，所述智能组合的个人信用评估方法包括以下步骤：

S1由所述样本数据获取模块获取训练模型的样本数据，该样本数据包括至少一个数据特征；

S2由所述样本数据处理模块依照随机抽样，把样本分为训练集Ⅰ、训练集Ⅱ和测试集；

S3由所述样本数据处理模块根据数据来源或业务维度分别对训练集Ⅰ、训练集Ⅱ和测试集的样本数据进行特征分组；

S4由所述数据特征训练模块在训练集Ⅰ上用子模型对每组数据特征进行训练，并使每组数据特征产生一个对应的训练好的子模型；

S5由所述评分模型构建模块在训练集Ⅱ上对训练好的子模型进行预测，使用Adaboosting和逻辑回归模型对其进行拟合、训练，并获取拟合模型中的权重信息，利用拟合出的权重信息，构建信用评分模型；

S6由所述评分模型测试模块将最终构建的信用评分模型放在测试集上进行测试，评估模型测试效果。

2.根据权利要求1所述的评估方法，其特征在于：所述样本数据从客户关系管理系统、信贷系统、交易系统、社保数据爬虫系统、网购数据爬虫系统、运营商数据爬虫系统中提取；所述样本数据包括，但不限于客户人口信息、申请信息、社交信息、消费信息、社保公积金信息及征信信息。

3.根据权利要求1或2所述的评估方法，其特征在于：对训练集Ⅰ、训练集Ⅱ和测试集的样本数据进行特征分组后，每个集的数据按照相同标准划分为客户数据、申请数据、社交数据、消费数据和第三方数据，共5组数据特征。

4.根据权利要求3所述的评估方法，其特征在于：根据预设的子模型，用训练集Ⅰ的5组数据特征分别训练5个子模型，每组数据特征都对应一个训练好的子模型；所述预设的子模型可选择树状模型、GBDT模型、Xgboost模型或机器学习模型。

5.根据权利要求4所述的评估方法，其特征在于：通过训练集Ⅰ各组数据特征训练好的5个子模型，分别用于训练集Ⅱ上对应的数据特征组，拟合训练集Ⅱ各组数据特征，获得各组数据特征的拟合结果，再把各组数据特征的拟合结果放入权重模型进行训练，构建信用风险评分模型，模型最终以评分卡的形式给出结果。

6.根据权利要求4所述的评估方法，其特征在于：所述预设的子模型选择随机森林模型对每组数据特征进行训练，每组特征的拟合结果可表示为a0+a1*y1+a2*y2+…an*yn,其中y1,y2,……yn表示随机森林中每个子树的拟合结果，a0,a1,…an表示拟合结果的系数。

7.根据权利要求1、4、5或6所述的评估方法，其特征在于：将所述信用风险评分模型放在测试集上进行测试，评估该模型的最终效果，评价指标包括准确率、AUC值、K-S值指标。

8.一种个人信用评估系统，其特征在于，所述系统包括：

样本数据获取模块，用于获取训练模型的样本数据；

样本数据处理模块，用于将样本分为训练集Ⅰ、训练集Ⅱ和测试集，并根据数据来源或业务维度分别对训练集Ⅰ、训练集Ⅱ和测试集的样本数据进行特征分组；

数据特征训练模块，用于在训练集Ⅰ上用子模型对每组数据特征进行训练，并获得每组数据特征对应的训练好的子模型；

评分模型构建模块，用于在训练集Ⅱ上对于训练好的子模型预测结果，使用Adaboosting和逻辑回归模型对其进行拟合、训练，并获取拟合模型中的权重信息，并利用拟合出的权重信息，构建信用评分模型；

评分模型测试模块，用于将最终构建的信用评分模型放在测试集上进行测试，评估模型效果。