[发明专利]数据处理装置

说明书

本公开提供一种数据处理装置，涉及人工智能技术领域。该装置包括：回归模型配置模块，用于配置预先训练的N‑1个回归模型，所述N‑1个回归模型对应于连续N‑1个风险等级的累积概率回归，N为风险等级的总数，N≥3；特征数据处理模块，用于分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N‑1个累积概率值；概率数组生成模块，用于根据所述连续N‑1个风险等级的序列关系排列所述N‑1个累积概率值，生成概率数组；风险等级输出模块，用于通过解析所述概率数组，输出所述风险评估对象的风险等级。本公开可以提高风险等级评估的准确度，且数据处理量较小，实现过程简单。

技术领域

本公开涉及人工智能技术领域，尤其涉及一种数据处理装置。

背景技术

在工业生产、保险、金融等领域中，经常需要对特定对象所属的风险等级进行预测与评估，包括产品失效风险评估、保险核保风险等级评定、金融风险评估等，一般是在3个或3个以上预设的风险等级中确定目标等级，以决定所采用的业务措施。

相关技术中，在处理风险等级评估问题时，一般将其转化为多分类问题，采用机器学习中的多分类模型，例如训练多分类输出的贝叶斯模型、支持向量机、神经网络模型等，每个类别对应于一个风险等级，从而对输入的对象进行分级。然而，上述多分类模型通常适用于不同类别之间差别较大的场景，例如对图像进行多分类，通常是预测图像属于人物、风景、建筑等类别中的哪个类别，不同类别的特征区别很大，因而能够实现准确的分类；而对于风险等级评估问题，不同等级的特征之间大多是数量上的差异，且相邻等级的差异并不明显，特征的内在规律和传统的多分类问题差别较大，因此采用上述多分类模型难以得到准确的结果。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的相关技术的信息。

发明内容

本公开提供了一种数据处理装置，进而至少在一定程度上改善相关技术中风险等级评估准确度较低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种数据处理装置，包括：回归模型配置模块，用于配置预先训练的N-1个回归模型，所述N-1个回归模型对应于连续N-1个风险等级的累积概率回归，N为风险等级的总数，N≥3；特征数据处理模块，用于分别调用每个所述回归模型对输入的风险评估对象的特征数据进行处理，得到N-1个累积概率值；概率数组生成模块，用于根据所述连续N-1个风险等级的序列关系排列所述N-1个累积概率值，生成概率数组；风险等级输出模块，用于通过解析所述概率数组，输出所述风险评估对象的风险等级。

可选的，所述回归模型配置模块，被配置为通过以下方式训练并得到所述N-1个回归模型：获取样本对象和所述样本对象的风险等级；当所述样本对象为第K风险等级时，以第K风险等级为分割，设置所述样本对象对应于所述连续N-1个风险等级的累积概率标签，得到所述样本对象的N-1个标签，K≤N；以所述样本对象的特征数据为训练数据，结合所述样本对象的N-1个标签，分别训练N-1个初始的回归模型，以得到所述N-1个回归模型。

可选的，所述回归模型配置模块，被配置为通过以下方式设置所述样本对象的标签：当所述连续N-1个风险等级为第2风险等级到第N风险等级时，将所述样本对象对应于第2风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N风险等级的标签设置为0，得到所述样本对象的N-1个标签；当所述连续N-1个风险等级为第1风险等级到第N-1风险等级时，将所述样本对象对应于第1风险等级到第K风险等级的标签设置为1，对应于第K+1等级到第N-1风险等级的标签设置为0，得到所述样本对象的N-1个标签。