[发明专利]一种用于信用评估特征选择的启发式算法

说明书

本发明提供一种用于信用评估特征选择的启发式算法，算法基于SSA算法生成随机蜘蛛种群，利用OBL策略计算蜘蛛种群的相反解，并选择最适解形成OBL种群数量，随机生成的蜘蛛种群和OBL蜘蛛种群进行算法迭代，计算蜘蛛个体的适应度值和振动值，利用局部搜索算法LSA选择最优解个体，未选择的个体将进入下一轮迭代，迭代结束后输出LSA选择的所有最优解，形成最佳解集。本发明目的在于通过机器学习本发明中的算法代替了传统的人工特征筛选，提高了特征筛选的效率；与一般启发式算法相比，本发明中算法加入OBL策略，显著提升了空间覆盖率和算法的稳定性；本发明中的算法引入了适用于P2P领域的LSA算法架构，提升了特征筛选的准确率与模型匹配度。

技术领域

本发明涉及信用风险评估技术领域，尤其涉及一种用于信用评估特征选择的启发式算法。

背景技术

在目前的信用评估过程中，信用分析师会通过判断和解释影响违约的因素，来计算特征信息对于违约的影响程度。通过将影响程度不同的特征进行降序排序，选择所需的特征数量注入模型，达到筛选特征的目的。但是由于对用户的测定内容不同，相同的特征往往在不同的数据集中的影响程度会产生较大的波动。当待选指标中存在较多的不相关或冗余的指标时，由建模算法本身筛选指标会增加算法运行时间，使生成的模型过于复杂而难以解释，甚至影响模型的准确率。这样的做法无疑会影响信用评估过程的效率同时也会提高无意义的成本投入。此外，人为的特征选择往往可能忽略掉数据特征之间的关联关系从而可能会给模型一个错误的输入从而导致模型准确率的下降。

发明内容

针对上述技术问题，本发明的主要目的在于提供一种用于信用评估特征选择的启发式算法，以解决信用风险评估领域传统的人工筛选特征的效率低下以及会损失关联性的问题。

为实现上述目的，本发明提供了一种用于信用评估特征选择的启发式算法，包括步骤：

S1，基于SSA算法初始化N个蜘蛛种群，其中，每个所述蜘蛛种群中包含多个个体蜘蛛a，每个所述个体蜘蛛a对应特征集中的一个特征数据；SSA算法是社会蜘蛛算法，算法基于SSA算法将整个特征集生成N个蜘蛛种群，每个生成的种群为一种解决方案，每个解决方案中包含直接从整个特征集中选择的特征子集，每个个体蜘蛛a对应特征子集中的一个特征数据。

S2，利用OBL策略计算所述N个蜘蛛种群的相反解并选择最优解形成M个OBL蜘蛛种群，每个所述OBL蜘蛛种群中包含多个个体蜘蛛a；

S3，将N个所述蜘蛛种群和M个所述OBL蜘蛛种群作为迭代数据集进行算法迭代，设置最大迭代次数Kmax，并令当前迭代次数K＝1；包括：计算所述蜘蛛种群中个体蜘蛛a的适应度值和振动值；利用局部搜索算法LSA，根据所述个体蜘蛛a的适应度值和振动值，选择最优解个体蜘蛛a，并存储最优解个体蜘蛛a；未选中个体蜘蛛a随机游走生成新的候选解；

将N个蜘蛛种群和M个OBL蜘蛛种群一起进行迭代，可以提高算法的稳定性和特征覆盖率。个体蜘蛛a在当前位置会产生相应的振动，根据所述个体蜘蛛a在当前位置的适应度值计算振动，每个个体产生的振动会沿着网络传播，可被其他个体蜘蛛a捕获到，并根据接收捕获到的振动值选择一个最优的振动值存储，所述LSA算法根据所述个体蜘蛛a携带的信息选择拥有最优解的个体蜘蛛a，并进行存储，选择最优解的个数由人为设定，被存储的个体蜘蛛a不参与下一步的随机游走；未被选中即未拥有最优解的个体蜘蛛a将根据目标振动值继续随机游走。

S4，判断当前迭代次数K是否达到所述最大迭代次数Kmax，若达到，结束算法，输出所有最优解个体蜘蛛a；若未达到，将所述候选解合并进入所述迭代数据集，返回步骤S3进行新的一轮迭代。

优选地，步骤S1集体包括：

S11，基于SSA算法根据所述特征集随机生成所述N个蜘蛛种群；SSA算法是社会蜘蛛算法，用于解决空间搜索优化问题，将P2P中的特征搜索问题转换为二进制搜索问题，每个种群中的个体蜘蛛a为二进制搜索空间中的一个可行解。