[发明专利]一种基于多次融合构建欺诈识别模型的方法

权利要求书

1.一种基于多次融合构建欺诈识别模型的方法，其特征在于，包括：

步骤S1．数据获取：采集欺诈行为的相关数据，生成原始的数据集；

步骤S2．数据预处理：对原始的数据集进行缺失值处理、异常值处理和变量类型处理后，进行分组处理；

步骤S3．特征加工、排序：在数据预处理后，对数据集的欺诈行为特征进行特征加工，根据IV和GBDT对加工后的特征进行重要性排序，得到基于IV排序的特征集和基于GBDT排序的特征集；

步骤S4．特征选择：对基于IV排序的特征集和基于GBDT排序的特征集，通过选择计算形成m个IV特征集和m个GBDT特征集，m为自然数；

步骤S5．数据集划分：将步骤S2预处理后的数据集分为两部分，模型样本集和时点外验证集；模型样本集分为训练集和验证集，通过分层随机抽样的方法，对模型样本集进行m次随机采样，形成m个数据集，m为自然数；

步骤S6．数据建模：步骤S4中m个IV特征集、m个GBDT特征集、步骤S5中的m个数据集，以LR、XGBOOST、LIGHTGBM、GBDT为基准模型，构建单模型，每个基准模型构建的单模型有m个，m为自然数，使用步骤S5中验证集验证单模型对欺诈行为的识别效果；

步骤S7．同类模型融合：将步骤S6中以相同基准模型构建的m个单模型通过排序进行模型融合，形成同类模型，最终形成不同基准模型的不同类模型；

步骤S8．混合模型融合：通过AUC和F1将步骤S7中不同类模型进行融合，得到欺诈识别模型，使用步骤S5中时点外验证集验证欺诈识别模型对欺诈行为的识别效果。

2.如权利要求1所述的一种基于多次融合构建欺诈识别模型的方法，其特征在于，步骤S3中所述特征加工包括统计类特征加工、交叉类特征加工、描述性特征加工、交叉类特征加工、模型生成类特征加工。

3.如权利要求1所述的一种基于多次融合构建欺诈识别模型的方法，其特征在于，步骤S4中所述选择计算，具体为：对基于IV排序的特征集，选择排序后IV值排在前N个的特征集，N为自然数，并通过不放回随机抽样选取其中N个特征后随机选取m组，形成m个IV特征集，m为自然数；基于GBDT排序的特征集，选择排序后GBDT值排在前N个的特征集，通过不放回随机抽样选取其中N个特征，N为自然数，随机选取m组，形成m个GBDT特征集，m为自然数。

4.如权利要求1所述的一种基于多次融合构建欺诈识别模型的方法，其特征在于，步骤S6包括：

步骤S6.1：步骤S4中的m个IV特征集、步骤S5中的m个数据集以LR为基准模型，构建m个基于LR的单模型；

步骤S6.2：步骤S4中m个GBDT特征集、步骤S5中的m个数据集分别以XGBOOST、LIGHTGBM、GBDT为基准模型，构建m个基于XGBOOST的单模型、m个基于LIGHTGBM的单模型、m个基于GBDT的单模型。

5.如权利要求4所述的一种基于多次融合构建欺诈识别模型的方法，其特征在于，步骤S7包括：

步骤S7.1：通过AUC排序将步骤S6.1中m个基于LR的单模型进行模型融合，形成LR类模型；

步骤S7.2：通过AUC排序将步骤S6.2中m个基于XGBOOST的单模型进行模型融合，形成XGBOOST类模型；

步骤S7.3：通过PRE排序将步骤S6.2中m个基于LIGHTGBM的单模型进行模型融合，形成LIGHTGBM类模型；

步骤S7.4：通过RECALL排序将步骤S6.2中m个基于GBDT的单模型进行模型融合，形成GBDT类模型。