[发明专利]融合多种机器学习模型的征信评分方法及系统

权利要求书

1.一种融合多种机器学习模型的征信评分方法，其特征在于，包括：

步骤1，清洗客户数据，对数据缺失值进行处理，特征组合并序列化，并根据不同的数据特点进行切分，作为五个子模型的样本；

步骤2，基于用户在收入、经营成本、风险成本、交易表现、产品购买表现等维度的综合表现，完成模型目标定义；

步骤3，利用步骤1的样本数据，并基于步骤2定义的模型目标训练五个子模型数据，得到五个子模型，所述五个子模块包括：身份特质、履约能力、行为偏好、信用历史和社会属性；

步骤4，对步骤3的五个子模型，基于子模型与模型目标的皮尔逊相关系数进行加权融合，建立征信综合评分模型，进行训练和预测；

步骤5，对最终模型结果0-1标准化处理，并对每个客户划分评价等级。

2.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤1采用hadoop分布式系统基础架构进行数据处理。

3.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤3中，建立身份特质模型，采用逻辑回归算法进行模型构建。

4.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤3中，建立履约能力模型，采用随机森林算法进行模型构建。

5.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤3中，建立行为偏好模型，采用GBDT算法进行特衍生，并采用逻辑回归算法进行模型构建，并与用户的交易表现、产品购买表现、活跃度基于RFM模型的实现思路进行组合区隔，完成行为偏好模型构建。

6.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤3中，建立社会属性模型，采用关系网络算法，以用户朋友圈一度好友与二度好友在步骤3所述四个子模型上的评分表现，作为用户社会属性子模型评分。

7.根据权利要求1所述的融合多种机器学习模型的征信评分方法，其特征在于，所述步骤3中，建立信用历史模型，采用标准评分卡模型方式实现。

8.一种融合多种机器学习模型的征信评分系统，其特征在于，包括：

数据清洗模块，用于对数据缺失值进行处理，特征组合并序列化，并根据不同的数据特点进行切分；

模型目标定义模块，基于用户在收入、经营成本、风险成本、交易表现、产品购买表现等维度的综合表现，完成模型目标的定义；

子模型创立模块，通过利用样本数据并基于模型目标训练五个子模型数据，得到五个子模型的创立，子模型包括身份特质、履约能力、行为偏好、信用历史和社会属性；

子模型训练模块，基于子模型与模型目标的皮尔逊相关系数进行加权融合，对创立的五个子模型，建立征信综合评分模型，进行训练和预测；以及

标准化处理模块，用于对最终模型结果分数进行映射处理，将客户划分成若干评价等级。