[发明专利]评分卡模型训练方法及装置

说明书

本申请公开了一种评分卡模型训练方法及装置。该方法包括：获取多个历史数据，及每个历史数据对应的标签信息；对每个历史数据进行向量化，得到每个历史数据对应的第一向量；将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息；将每个第一向量、对应标签信息及对应的第一学习信息输入到WideDeep模型中进行转化训练，得到每历史数据对应的指导概率值；将每个第一向量及对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型。

技术领域

本申请涉及模型训练领域，尤其涉及评分卡模型训练领域。

背景技术

目前在信贷场景中使用的信贷准入模型主要是评分卡模型，根据用户在申请信贷时填入的个人信息，根据评分卡模型从评分卡中找出对应的信息分值，将这些分值进行累加，最终得出的评分就是申请用户的总体信用评分。评分越高，说明申请用户的信用越好；评分越低，说明申请用户的信用越差。

目前使用的评分卡模型的底层数学原理是基于逻辑回归机器学习算法转换来的，使用有监督的算法从过去用户提交申请的历史数据以及是否违约的标签训练而来，由于逻辑回归模型属于线性模型，模型的表征能力有限，故基于此得到的评分卡模型准确性较低。

发明内容

有鉴于此，本发明实施例提供了评分卡模型训练方法及装置，可有效提升评分卡模型的准确性。

为了实现上述目的，在第一方面，本发明提供了一种评分卡模型训练方法，所述方法包括：

获取多个历史数据，及每个历史数据对应的标签信息；

对每个历史数据进行向量化，得到每个历史数据对应的第一向量；

将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息；

将每个第一向量、对应标签信息及对应的第一学习信息输入到WideDeep模型中进行转化训练，得到每历史数据对应的指导概率值；

将每个第一向量及对应的指导概率值输入到逻辑回归模型中，并结合半监督的学习技巧进行学习训练，得到评分卡模型。

在一实施方式中，所述将每个第一向量及对应的标签信息输入到Xgboost模型进行转化训练，得到每个历史数据对应的第一学习信息，包括：

将(x₁，y₁)…(x_n，y_n)输入到Xgboost模型中进行转化训练，得到

其中，x_n为第n个历史数据对应的第一向量；y_n为第n个历史数据对应的标签信息；z_n为第n个历史数据对应的第一学习信息，n为正整数。

在一实施方式中，所述将每个第一向量、对应标签信息及对应的第一学习信息输入到WideDeep模型中进行转化训练，得到每历史数据对应的指导概率值，包括：

将(x₁，y₁，z₁)…(x_n，y_n，z_n)输入到WideDeep模型中，具体的转换公式如下：

(p_i0，p_i1)＝WideDeep(x_i)＝sigmoid(F_deep(x_i)+F_wide(x_i)+z_i)；