[发明专利]生成模型的方法、装置、设备以及存储介质

权利要求书

1.一种生成模型的方法，包括：

获取样本资源特征和与所述样本资源特征对应的样本标签；

根据所述样本资源特征和所述样本标签，确定第一筛选因子，以及根据所述第一筛选因子，从所述样本资源特征中确定第一资源特征；

根据与预先训练的逻辑回归LR模型关联的参数，确定第二筛选因子，以及基于所述第二筛选因子，从所述第一资源特征中确定第二资源特征，基于所述第二资源特征得到所述目标模型的特征；

将所述目标模型的特征作为所述目标模型的输入，将与所述目标模型的特征对应的样本标签作为所述目标模型的输出，训练机器学习模型，得到目标模型。

2.根据权利要求1所述的方法，其中，所述根据所述样本资源特征和所述样本标签，确定第一筛选因子，包括：

基于所述样本资源特征和与所述样本资源特征对应的样本标签对决策树XGBoost模型进行训练，得到XGBoost模型；

基于与所述XGBoost模型关联的参数，确定所述第一筛选因子。

3.根据权利要求2所述的方法，其中，所述与所述预先训练的XGBoost模型关联的参数包括：覆盖度和相关系数；以及

所述基于与所述预先训练的XGBoost模型关联的参数，确定所述第一筛选因子，包括：

根据所述覆盖度和/或所述相关系数，确定所述第一筛选因子。

4.根据权利要求1-3任意一项所述的方法，所述方法还包括：

对所述样本资源特征进行排序，得到排序后的样本资源特征；

从所述样本资源特征中确定第一资源特征，包括：

根据所述第一筛选因子，从排序后的样本资源特征中的预设数目的样本资源特征，确定第一资源特征。

5.根据权利要求4所述的方法，其中，所述对样本资源特征进行排序，得到排序后的样本资源特征，包括：

根据所述样本资源特征的特征重要性，对所述样本资源特征进行排序，得到排序后的样本资源特征。

6.根据权利要求1所述的方法，其中，在所述根据与预先训练的逻辑回归LR模型关联的参数，确定第二筛选因子之前，还包括：

基于所述第一资源特征和与所述第一资源特征对应的样本标签对逻辑回归LR模型进行训练，得到LR模型。

7.根据权利要求6所述的方法，其中，与所述LR模型关联的参数包括以下至少一项：

变量系数、P值、信息价值、模型分稳定性评估指标、方差膨胀系数，其中，所述P值为判定所述预先训练的LR模型的检验结果的参数。

8.根据权利要求1所述的方法，所述方法还包括：

将所述第二资源特征进行分箱，得到分箱后的资源特征，并确定分箱后的资源特征对应的证据权重；

响应于所有的分箱后的资源特征对应的证据权重的变化规律符合预设规律，将分箱后的资源特征作为所述目标模型的特征。

9.根据权利要求8所述的方法，所述方法还包括：

响应于所有的分箱后的资源特征对应的证据权重的变化规律不符合所述预设规律，将分箱后的资源特征进行合并，并计算合并后的资源特征的证据权重；

所述响应于所有的分箱后的资源特征对应的证据权重的变化规律符合预设规律，将分箱后的资源特征作为所述目标模型的特征，包括：

响应于所述合并后的资源特征的证据权重的变化规律符合所述预设规律，将所述合并后的资源特征作为所述目标模型的特征。

10.根据权利要求8或9所述的方法，其中，所述预设规律包括以下项中的一项：

证据权重递增、证据权重递减、证据权重先增后减、证据权重先减后增。

11.根据权利要求1所述的方法，所述方法还包括：

根据以下项中的一项，调整所述目标模型的超参数：网格搜索、随机搜索、贝叶斯优化。