[发明专利]数据离散化调控方法及系统以及风险控制模型建立方法及系统

说明书

本发明揭示了一种数据离散化调控方法及系统以及互联网金融领域风险控制模型建立方法及系统，所述调控方法包括：步骤S1、获取变量的属性；获取的变量属性包括取值属性、间隔属性、极差属性、本身区分度属性、变化范围属性中的至少一个；步骤S2、形成若干离散化模型，在不同的离散化模型中，使用不同的离散算法对变量进行离散化；步骤S3、根据步骤S1中获取各变量的变量属性为对应变量分配对应的离散化模型。本发明提出的金融风控模型中的变量离散化方式调控方法及系统以及互联网金融领域风险控制模型建立方法及系统，可提高处理效率及分类准确性。

技术领域

本发明属于数据处理技术领域，涉及一种变量离散化调控方法，尤其涉及一种数据离散化调控方法及系统以及互联网金融领域风险控制模型建立方法及系统。

背景技术

在信贷风险识别领域，个人特征数据的分布形态有时并不适合建立机器学习模型，比如决策树算法需要运用在离散属性上，如果离散值过多，对数据存储空间以及计算时间的要求都很高。另一方面，连续变量离散化是建模前特征工程的重要步骤，将数值范围较大的连续变量经过适宜的离散化处理之后不仅易于数据的存储，更重要的是离散化后的数据可以使得机器学习模型更具有鲁棒性，这样可以有效减少过拟合和欠拟合的问题，更好的解决金融数据挖掘中的分类问题。

在现有的连续数据离散化的实际应用中，主要的方法有两类：有监督离散化和无监督离散化。无监督离散化包括等频和等距离散化，思想简单、容易实现，但没有用到标签的信息，很难获得较好的离散化效果。监督式的离散化包括卡方分箱、基于信息熵的分箱方法、基于粗糙集的离散化方法以及其他优化算法。

对于信贷风险识别的方案，现有技术存在如下缺陷：现有离散化方法虽然很多、但是对于具体的一个问题而言，没有统一的方法。比如信贷方面的个人特征变量，首先这些变量包括数值型和类别型，数值型变量有连续的和离散的，类型性变量也有有序和无序之分，其次变量的变化范围也很不一致。针对这种复杂的情况，现有技术没有研究不同类型的变量对不同方法的适用性。

有鉴于此，如今迫切需要设计一种新的对不同类型变量的处理方式，以便克服现有处理方式存在的上述至少部分缺陷。

发明内容

本发明提供一种数据离散化调控方法及系统以及互联网金融领域风险控制模型建立方法及系统，可提高处理效率及分类准确性。

为解决上述技术问题，根据本发明的一个方面，采用如下技术方案：

一种数据离散化调控方法，所述调控方法包括：

步骤S1、获取变量属性；获取的变量属性包括取值属性、间隔属性、极差属性、本身区分度属性、变化范围属性中的至少一个；

步骤S2、形成若干离散化模型，根据不同变量的特征使用相对应的离散化模型对变量进行离散化；所述离散化模型包括：卡方分箱模型、MDLP模型、CAIM模型及遗传算法模型；

步骤S3、根据步骤S1中获取各变量的变量属性为对应变量分配对应的离散化模型；

对于取值离散、间隔差距低于设定第一阈值、且极差低于设定第二阈值的变量，将其分配至卡方分箱离散化模型中，所述卡方分箱离散化模型采用卡方分箱算法对变量进行离散化；卡方分箱模型中，卡方是度量两个类别相似性的一种方法，在一定置信度下，如果两个类别的卡方值越小，说明两个类别相似度越高，卡方分箱模型用来进行变量类别之间的合并；

对于取值离散、间隔差距高于设定第三阈值、极差高于设定第四阈值、且本身区分度高于设定第五阈值的变量，将其分配至MDLP模型中，所述MDLP模型采用MDLP方法对变量进行离散化；MDLP模型中，信息熵用来度量某种特定信息出现的概率，信息熵越低，特征对目标变量的分类效果越好；信息增益能表示加入新的条件后信息熵的降低程度；MDLP模型依据信息增益最大值依次寻找最优切分点；