[发明专利]训练预测模型的方法、装置、计算机设备及可读存储介质

权利要求书

1.一种训练预测模型的方法，其特征在于，所述方法包括：

获取用于训练预测模型的正例样本集和负例样本集；其中，所述正例样本集包括：债券违约企业样本、所述负例样本集包括：债券未违约企业样本；

基于所述正例样本集和负例样本集，利用K折交叉验证算法确定出K组训练集和验证集，以使用每组中的训练集进行模型训练，并使用对应组中的验证集对训练出的预测模型进行验证；

在使用一组中的训练集进行模型训练的过程中，利用EasyEnsemble算法将所述训练集划分为N个训练子集，并分别使用每个训练子集进行模型训练，以训练出N个预测模型；

在使用一组中的验证集对训练出的预测模型进行验证的过程中，使用所述验证集依次对训练出的各个预测模型进行验证，并将验证通过的预测模型用于预测企业是否存在债券违约风险。

2.根据权利要求1所述的训练预测模型的方法，其特征在于，所述基于所述正例样本集和负例样本集，利用K折交叉验证算法确定出K组训练集和验证集，具体包括：

将所述正例样本集均分为K个正例样本子集，并将所述负例样本集均分为K个负例样本子集；

不重复的选取一个正例样本子集与一个负例样本子集，并将选取的正例样本子集与负例样本子集合并为参考样本集，从而形成K个参考样本集；

依次将每个参考样本集作为验证集，并将剩余的K-1个参考样本集作为训练集，以确定出K组训练集和验证集。

3.根据权利要求1所述的训练预测模型的方法，其特征在于，所述在使用一组中的训练集进行模型训练的过程中，利用EasyEnsemble算法将所述训练集划分为N个训练子集，具体包括：

识别出所述训练集中的债券违约企业样本和债券未违约企业样本；

将所述训练集中的所有债券未违约企业样本均分为N个互斥训练子集，并在每个训练子集中添加所述训练集中的所有债券违约企业样本。

4.根据权利要求3所述的训练预测模型的方法，其特征在于，所述训练子集的个数其中，P为所述训练集中债券未违约企业样本的总数量，Q为所述训练集中债券违约企业样本的总数量。

5.根据权利要求1所述的训练预测模型的方法，其特征在于，所述方法还包括：

获取待预测企业的特征参数，并将所述特征参数输入到各个验证通过的预测模型中，以得到各个预测模型的预测结果；

根据所有预测模型的预测结果，按照预设算法，计算出所述待预测企业的最终预测结果；

基于所述最终预测结果判断所述待预测企业是否存在债券违约风险。

6.一种训练预测模型的装置，其特征在于，所述装置包括：

获取模块，用于获取用于训练预测模型的正例样本集和负例样本集；其中，所述正例样本集包括：债券违约企业样本、所述负例样本集包括：债券未违约企业样本；

确定模块，用于基于所述正例样本集和负例样本集，利用K折交叉验证算法确定出K组训练集和验证集，以使用每组中的训练集进行模型训练，并使用对应组中的验证集对训练出的预测模型进行验证；

训练模块，用于在使用一组中的训练集进行模型训练的过程中，利用EasyEnsemble算法将所述训练集划分为N个训练子集，并分别使用每个训练子集进行模型训练，以训练出N个预测模型；

验证模块，用于在使用一组中的验证集对训练出的预测模型进行验证的过程中，使用所述验证集依次对训练出的各个预测模型进行验证，并将验证通过的预测模型用于预测企业是否存在债券违约风险。

7.根据权利要求6所述的训练预测模型的装置，其特征在于，所述确定模块具体用于：

将所述正例样本集均分为K个正例样本子集，并将所述负例样本集均分为K个负例样本子集；

不重复的选取一个正例样本子集与一个负例样本子集，并将选取的正例样本子集与负例样本子集合并为参考样本集，从而形成K个参考样本集；

依次将每个参考样本集作为验证集，并将剩余的K-1个参考样本集作为训练集，以确定出K组训练集和验证集。