[发明专利]信用评估方法、装置及电子设备

权利要求书

1.一种信用评估方法，所述方法应用于风险评估系统，所述方法包括：

将与信用评估相关的训练样本输入至机器学习模型，并基于带约束条件的求解算法求解所述机器学习模型的模型参数，以完成模型训练得到风险评估模型；其中，所述约束条件包括指定求解获得的所述机器学习模型的模型参数为非负值；

将与待信用评估用户相关的预测样本输入至训练完成的所述风险评估模型，得到与预测样本对应的用户的信用评分。

2.根据权利要求1所述的方法，所述机器学习模型为逻辑回归模型，所述将与信用评估相关的训练样本输入至机器学习模型，包括：

对所述训练样本进行数据分箱处理，得到对应的被划分到不同分组的训练样本；

对属于不同分组的训练样本进行WOE计算，得到与不同分组对应的WOE值；

将所述WOE值输入至所述逻辑回归模型进行模型训练。

3.根据权利要求2所述的方法，所述逻辑回归模型为二分类逻辑回归模型，所述将所述WOE值输入至所述逻辑回归模型进行模型训练，包括：

构建并初始化所述二分类逻辑回归模型对应的损失函数，以及与所述损失函数对应的梯度函数；

将所述WOE值、所述损失函数及所述梯度函数输入至所述求解算法，以由所述求解算法对所述损失函数按照所述梯度函数所指示的下降梯度进行求解，得到所述损失函数的值为最优解时的模型系数为非负值的损失函数。

4.根据权利要求1所述的方法，还包括：

将与预测样本对应的用户的信用评分，输出至与风险评估系统对接的业务系统，以使所述业务系统基于用户的信用评分进行对应的信用业务处理。

5.根据权利要求1所述的方法，所述带约束条件的求解算法为带边界约束的拟牛顿算法。

6.根据权利要求5所述的方法，所述带边界约束的拟牛顿算法为L-BFGS-B算法。

7.一种信用评估装置，所述装置应用于风险评估系统，所述装置包括：

训练求解模块，将与信用评估相关的训练样本输入至机器学习模型，并基于带约束条件的求解算法求解所述机器学习模型的模型参数，以完成模型训练得到风险评估模型；其中，所述约束条件包括指定求解获得的所述机器学习模型的模型参数为非负值；

评估预测模块，将与待信用评估用户相关的预测样本输入至训练完成的所述风险评估模型，得到与预测样本对应的用户的信用评分。

8.根据权利要求7所述的装置，所述机器学习模型为逻辑回归模型；所述训练求解模块进一步：

对所述训练样本进行数据分箱处理，得到对应的被划分到不同分组的训练样本；

对属于不同分组的训练样本进行WOE计算，得到与不同分组对应的WOE值；

将所述WOE值输入至所述逻辑回归模型进行模型训练。

9.根据权利要求8所述的装置，所述逻辑回归模型为二分类逻辑回归模型，所述训练求解模块进一步：

构建并初始化所述二分类逻辑回归模型对应的损失函数，以及与所述损失函数对应的梯度函数；

将所述WOE值、所述损失函数及所述梯度函数输入至所述求解算法，以由所述求解算法对所述损失函数按照所述梯度函数所指示的下降梯度进行求解，得到所述损失函数的值为最优解时的模型系数为非负值的损失函数。

10.根据权利要求7所述的装置，所述评估预测模块进一步：

将与预测样本对应的用户的信用评分，输出至与风险评估系统对接的业务系统，以使所述业务系统基于用户的信用评分进行对应的信用业务处理。

11.根据权利要求7所述的装置，所述带约束条件的求解算法为带边界约束的拟牛顿算法。

12.根据权利要求11所述的装置，所述带边界约束的拟牛顿算法为L-BFGS-B算法。

13.一种电子设备，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行如权利要求1至6任一项所述的方法。