[发明专利]处理信贷数据的方法及装置

权利要求书

1.一种处理信贷数据的方法，其特征在于，包括：

对样本数据重采样得到样本集，并基于样本集中的样本数据和样本数据中的变量特征构建样本矩阵；

根据非零元素阈值对样本集中的变量特征筛选过滤后构建稀疏矩阵，以及根据样本集中过滤掉的变量特征构建工程矩阵；

针对稀疏矩阵中的元素去中心标准化处理后，通过容忍度分析将大于容忍度阈值的变量特征更新入工程矩阵，以对稀疏矩阵中的变量特征降维更新；

从更新后的稀疏矩阵中提取主成分的变量特征形成主成分稀疏矩阵，以及从更新后的工程矩阵中提取主成分的变量特征形成主成分工程矩阵；

基于主成分稀疏矩阵和主成分工程矩阵进行信贷数据的模型训练。

2.根据权利要求1所述的方法，其特征在于，对样本数据重采样得到样本集的方法包括：

采用随机下采样方法对样本数据进行重构，使得样本集中的正样本数据数量与负样本数据数量维持预设比例。

3.根据权利要求1所述的方法，其特征在于，根据非零元素阈值对样本集中的变量特征筛选过滤后构建稀疏矩阵，以及根据样本集中过滤掉的变量特征构建工程矩阵的方法包括：

根据各变量特征对应的非零元素数量，将样本矩阵中非零元素数量小于或等于非零元素阈值的变量特征保留形成稀疏矩阵，将样本矩阵中非零元素数量大于非零元素阈值的变量特征输出构建工程矩阵。

4.根据权利要求1所述的方法，其特征在于，针对稀疏矩阵中的元素去中心标准化处理后，通过容忍度分析将大于容忍度阈值的变量特征更新入工程矩阵，以对稀疏矩阵中的变量特征降维更新的方法包括：

针对稀疏矩阵中的各元素做去中心标准化处理，之后采用公式对处理后的稀疏矩阵进行容忍度分析，所述g_i表示变量特征i与稀疏矩阵中其他变量特征的相关性程度，所述T_i表示变量特征i的容忍度分析结果；

将容忍度分析结果大于容忍度阈值的变量特征筛选出来补充入工程矩阵，将容忍度分析结果小于容忍度阈值的变量特征在所述稀疏矩阵中做保留，以实现对所述稀疏矩阵中变量特征的降维更新。

5.根据权利要求4所述的方法，其特征在于，从更新后的稀疏矩阵中提取主成分的变量特征形成主成分稀疏矩阵的方法包括：

采用公式计算稀疏矩阵的协方差矩阵，所述Cov表示协方差矩阵，所述A表示稀疏矩阵，所述A^T表示稀疏矩阵的转置，所述g表示稀疏矩阵中保留下的变量特征的数量；

通过奇异值分解协方差矩阵中的元素值，得到与稀疏矩阵对应的变量特征矩阵；

将稀疏矩阵与变量特征矩阵的转置相乘得到变换后的稀疏矩阵；

基于所述稀疏矩阵中变量特征的顺序，通过解释方差公式依次累加每个变量特征的方差和，直至方差和大于方差阈值时将结束运算；

将参与解释方差计算的变量特征作为主成分提取出来形成主成分稀疏矩阵。

6.根据权利要求5所述的方法，其特征在于，基于主成分稀疏矩阵和主成分工程矩阵进行信贷数据的模型训练的方法包括：

将主成分稀疏矩阵和主成分工程矩阵输入LightGBM模型中进行信贷数据的建模训练。

7.一种处理信贷数据的装置，其特征在于，包括：

样本处理单元，用于对样本数据重采样得到样本集，并基于样本集中的样本数据和样本数据中的变量特征构建样本矩阵；

矩阵构建单元，用于根据非零元素阈值对样本集中的变量特征筛选过滤后构建稀疏矩阵，以及根据样本集中过滤掉的变量特征构建工程矩阵；

降维处理单元，用于针对稀疏矩阵中的元素去中心标准化处理后，通过容忍度分析将大于容忍度阈值的变量特征更新入工程矩阵，以对稀疏矩阵中的变量特征降维更新；

主成分提取单元，用于从更新后的稀疏矩阵中提取主成分的变量特征形成主成分稀疏矩阵，以及从更新后的工程矩阵中提取主成分的变量特征形成主成分工程矩阵；

模型训练单元，用于基于主成分稀疏矩阵和主成分工程矩阵进行信贷数据的模型训练。