[发明专利]评分数据处理方法、装置、设备及存储介质

说明书

本公开公开了一种评分数据处理方法、装置、设备及存储介质，该方法包括：获取样本实际数据、总分和初始指标分组数量；根据总分和初始指标分组数量计算样本的模型预测值；根据模型预测值和样本实际数据，计算样本的目标泛函值；在目标泛函值满足预设条件的情况下，对样本的模型预测值进行平滑处理，得到最终评分，从而可以得到具有一定准确性的评分数据，进而实现了对人群的精准定位以及提高了准确率。

技术领域

本公开涉及数据业务领域，具体涉及一种评分数据处理方法、装置、设置及存储介质。

背景技术

目前，人们擅长利用机器学习算法建立评分卡模型，对运营商连续的话费账单数据、上网数据、年龄等各种基本数据进行分析，方便对用户精准定位，进而精准营销。

然而，传统的评分卡模型对指标的处理是采用传统单一的分组结合评分加权的方式，导致用户评分分散、模型输出数据的连续性不够，也容易造成过度拟合的问题，从而致使无法满足用户精确定位和取数要求。

发明内容

本公开实施例的目的是提供一种评分数据处理方法、装置、设备及存储介质，解决现有的评分数据处理方法存在的人群定位、取数不准确的问题。

第一方面，本发明实施例提供了一种评分数据处理方法，方法包括：获取样本实际数据、总分和初始指标分组数量；根据总分和初始指标分组数量计算样本的模型预测值；根据模型预测值和样本实际数据，计算样本的目标泛函值；在目标泛函值满足预设条件的情况下，对样本的模型预测值进行平滑处理，得到最终评分。

在第一方面的一些可实现方式中，包括：在目标泛函值不满足预设条件的情况下，根据目标泛函值，更新初始指标分组数量；根据总分和更新后的初始指标分组数量计算样本的模型预测值。

在第一方面的一些可实现方式中，样本实际数据包括征信网站、运营商自有红、黑名单数据以及第三方合作方提供的数据。

在第一方面的一些可实现方式中，根据总分和初始指标分组数量计算样本的模型预测值，包括：根据初始指标分组数量对指标数据进行分割，得到初始指标分组；按照初始指标分组数量取总分的平均获得各个初始指标分组下的初始指标评分；根据初始指标分组和初始指标评分建立评分卡模型配置表；根据评分卡模型配置表对样本进行查分匹配，得到样本各个指标的初始指标评分，累加样本各个指标的初始指标评分，得到样本的模型预测值。

在第一方面的一些可实现方式中，在目标泛函值不满足预设条件的情况下，根据目标泛函值，更新初始指标分组数量，包括：计算目标泛函值关于初始指标分组数量的一阶导数值；根据一阶导数值更新初始指标分组数量。

在第一方面的一些可实现方式中，预设条件包括计算目标泛函值的预设最大次数,或当目标泛函值小于第一预设阈值时停止，或目标泛函的变化量小于第二预设阈值。

在第一方面的一些可实现方式中，对样本的模型预测值进行平滑处理，得到最终评分，包括：获取初始分组与评分关系、高斯平滑函数和高斯平滑窗口；根据初始分组与评分关系和高斯平滑函数计算卷积；根据高斯平滑窗口和卷积生成与样本对应的第一模型预测值；基于预设阈值过滤与样本对应的第一模型预测值，得到第二模型预测值；计算第二模型预测值平均值作为最终评分。

在第一方面的一些可实现方式中，基于预设阈值过滤与样本对应的第一模型预测值，得到第二模型预测值，包括；确定样本所属的取值范围；根据取值范围，利用过滤器删除在预设阈值之外的第一模型预测值得到第二模型预测值。

第二方面，本发明实施例提供一种评分数据处理装置，该装置可以包括：获取模块，用于获取样本实际数据、总分和初始指标分组数量；计算模块，用于根据总分和初始指标分组数量计算样本的模型预测值；计算模块，还用于根据模型预测值和样本实际数据，计算样本的目标泛函值；处理模块，用于在目标泛函值满足迭代停止条件的情况下，对样本的模型预测值进行平滑处理，得到最终评分。