[发明专利]模型训练、出险率预测方法、装置、电子设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取多个出险率类别中每个所述出险率类别所对应的多个保单的历史保单数据及所述历史保单数据对应的出险标签，每个所述出险率类别与出险率的取值范围中的一个出险率区间对应；

针对每个出险率类别，对于保单属于各个出险率类别的概率分别建立机器学习模型；

利用EM算法对每个出险率类别对应的机器学习模型进行优化，得到每个出险率类别对应的机器学习模型，所述机器学习模型用于预测保单属于对应的出险率类别的概率。

2.根据权利要求1所述的模型训练方法，其特征在于，所述利用EM算法对每个出险率类别对应的机器学习模型进行优化，得到每个出险率类别对应的机器学习模型，包括：

针对每个出险率类别对应的机器学习模型，初始化所述机器学习模型的模型参数；

基于所述机器学习模型的模型参数，利用EM算法的E步计算关于所述模型参数的Q函数；

在EM算法的M步计算使所述Q函数最大化的模型参数；

经过所述EM算法的E步和M步的若干轮迭代，将计算得到的所述模型参数输入对应的所述机器学习模型中，得到每个出险率类别对应的机器学习模型。

3.根据权利要求2所述的模型训练方法，其特征在于，所述在EM算法的M步计算使所述Q函数最大化的模型参数，包括：

将计算使所述Q函数最大化的模型参数转化为计算使负的所述Q函数最小化的模型参数；

将负的所述Q函数确定为对应的所述机器学习模型的损失函数。

4.根据权利要求3所述的模型训练方法，其特征在于，若所述机器学习模型为神经网络模型，所述在EM算法的M步计算使所述Q函数最大化的模型参数，包括：

计算所述损失函数对所述模型参数的梯度；

利用梯度下降法对关于所述损失函数的似然函数进行最小化，得到新的模型参数。

5.根据权利要求3所述的模型训练方法，其特征在于，若所述机器学习模型为XGBoost模型，所述在EM算法的M步计算使所述Q函数最大化的模型参数，包括：

针对每个出险率类别，分别训练出险率类别对应的XGBoost模型；

其中，在XGBoost训练中的第t'步，基于Q函数定义XGBoost模型的损失函数，计算使所述损失函数最小的模型参数，所述损失函数的参数为中间参数，计算所述中间参数对所述XGBoost模型的预测输出的一阶导数及二阶导数，完成XGBoost模型的训练。

6.一种出险率确定方法，其特征在于，包括：

获取待确定出险率的保单的保单数据；

将所述保单数据输入多个如权利要求1至5任一所述的与出险率类别对应的机器学习模型，得到所述保单属于多个出险率类别的概率；

选取预测值最大的出险率类别作为预测类别；

将预测类别对应的出险率作为所述保单的出险率。

7.一种模型训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取多个出险率类别中每个所述出险率类别所对应的多个保单的历史保单数据及所述历史保单数据对应的出险标签，每个所述出险率类别与出险率的取值范围中的一个出险率区间对应；

建立模块，用于针对每个出险率类别，对于保单属于各个出险率类别的概率分别建立机器学习模型；

模型优化模块，用于利用EM算法对每个出险率类别对应的机器学习模型进行优化，得到每个出险率类别对应的机器学习模型，所述机器学习模型用于预测保单属于对应的出险率类别的概率。

8.一种出险率确定装置，其特征在于，包括：

第二获取模块，用于获取待确定出险率的保单的保单数据；

输入模块，用于将所述保单数据输入多个如权利要求1至6任一所述的与出险率类别对应的机器学习模型，得到所述保单属于多个出险率类别的概率；

选取模块，用于选取预测值最大的出险率类别作为预测类别；

确定模块，用于将预测类别对应的出险率作为所述保单的出险率。