[发明专利]一种面向机器学习可解释性的信贷违约预测方法及系统

权利要求书

1.一种面向机器学习可解释性的信贷违约预测方法，包括以下步骤：

S1、数据的采集，采集的数据来源包括业务统计的数据、银行提供的征信数据和第三方提供的大数据；

S2、数据的预处理：清洗筛选模块对输入数据进行清洗，如数据某一变量有缺失，则对于少数非核心数据的予以删去，如删去的量过多则以总体分布抽样的方法以及根据其他信息做极大似然估计的办法填入数据；

S3、数据的划分和训练：将经过清洗的数据分为多个组，分别对多个组的数据进行逻辑回归、随机森林、XGBoost及深度学习，并对多个组的预测结果相加求平均值；

S4、模型的验证：通过验证模块对建立的模型进行验证，通过引入新的数据来分别对各个组的预测结果进行评价之后再对平均值进行评价，找到最佳的模型。

2.根据权利要求1所述的一种面向机器学习可解释性的信贷违约预测方法，其特征在于，S4中通过定量分析模块对模型进行大量数据的验证，通过定型分析模块对模型预测的准确性进行评估

3.应用于权利要求1-2任意一项所述的一种面向机器学习可解释性的信贷违约预测方法的系统，包括数据采集模块，其特征在于，所述数据采集模块通过信号线连接清洗筛选模块，清洗筛选模块对输入数据进行清洗，如数据某一变量有缺失，则对于少数非核心数据的予以删去，如删去的量过多则以总体分布抽样的方法以及根据其他信息做极大似然估计的办法填入数据，所述清洗筛选模块通过信号连接有数据划分模块，通过数据划分模块将经过清洗的数据分为多个组，所述数据划分模块通过信号连接系统控制中心，所述系统控制中心用于对预测系统进行控制和管理，所述系统控制中心通过信号线连接有模型建立模块和综合评估模块，通过模型建立模块建立评价模型，通过综合评估模块对客户信用风险进行评分，所述模型建立模块通过信号线连接有训练模块，所述训练模块分别对多个组的数据进行逻辑回归、随机森林、XGBoost及深度学习，并对多个组的预测结果相加求平均值，所述模型建立模块通过信号线连接有验证模块，通过验证模块对建立的模型进行验证，通过引入新的数据来分别对各个组的预测结果进行评价之后再对平均值进行评价，找到最佳的模型，所述验证模块通过信号线连接有定量分析模块和定性分析模块，通过定量分析模块对模型进行大量数据的验证，通过定型分析模块对模型预测的准确性进行评估。

4.根据权利要求3所述的一种面向机器学习可解释性的信贷违约预测方法的系统，其特征在于，所述数据采集模块采集的数据来源包括业务统计的数据、银行提供的征信数据和第三方提供的大数据。

5.根据权利要求3所述的一种面向机器学习可解释性的信贷违约预测方法的系统，其特征在于，所述训练模块通过信号线连接监督学习模块和无监督学习模块，对降噪梯度提升树进行训练，使用历史网络个人信贷信息进行无监督学习，得到第一数据特征，使用第一数据特征进行有监督学习，完成降噪梯度提升树模型训练。

6.根据权利要求3所述的一种面向机器学习可解释性的信贷违约预测方法的系统，其特征在于，所述系统控制中心包括系统管理主机，所述系统管理主机通过局域网连接数据库，数据库用于对系统内数据进行存储，所述系统管理主机通过信号线连接数据划分模块、综合评估模块和模型建立模块，所述局域网设有防火墙。

7.根据权利要求6所述的一种面向机器学习可解释性的信贷违约预测方法的系统，其特征在于，所述数据库通过信号线连接有定时备份模块，通过定时模块能够对数据库内的数据进行定时的备份，从而能够方便在数据库内数据发生丢失时能够进行及时恢复，挽回损失，所述数据库铜鼓信号线连接有自动更新模块，通过自动更新模块能够方便对数据库内的数据进行定期更新，所述数据库通过信号线连接有图表展示模块，通过图表展示模块能够将数据库内的数据统计为图表进行展示，从而方便系统的管理者直观了解。