[发明专利]信用评分模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种信用评分模型的训练方法，其特征在于，包括：

从多个历史用户的原始数据中提取所述原始数据的第一统计特征数据，所述第一统计特征数据包括：所述原始数据所属的目标数据类型；

确定所述原始数据在所述目标数据类型下的第二统计特征数据；

根据所述第一统计特征数据以及所述第二统计特征数据，确定至少一个待选训练的初始机器学习模型；

采用所述第一统计特征数据以及所述第二统计特征数据，训练所述至少一个待选训练的初始机器学习模型，得到至少一个目标机器学习模型；

从所述至少一个目标机器学习模型中选择出目标信用评分模型。

2.根据权利要求1所述的方法，其特征在于，所述从多个历史用户的原始数据中提取所述原始数据的第一统计特征数据，包括：

获取所述多个历史用户的至少一个数据维度上的原始数据；

分别从所述多个历史用户的至少一个数据维度上的原始数据中提取所述第一统计特征数据。

3.根据权利要求2所述的方法，其特征在于，所述第一统计特征数据还包括：特征覆盖率、卡方统计量、互信息以及线性相关系数。

4.根据权利要求1所述的方法，其特征在于，所述确定所述原始数据在所述目标数据类型下的第二统计特征数据，包括：

若所述目标数据类型为类别型，则确定所述原始数据在所述类别型下的第二统计特征数据，所述类别型下的第二统计特征数据包括：每个种类的数量、每个种类出现的频次、每个种类的统计众数。

5.根据权利要求1所述的方法，其特征在于，所述确定所述原始数据在所述目标数据类型下的第二统计特征数据，包括：

若所述目标数据类型为数值型，则确定所述原始数据在所述数值型下的第二统计特征数据，所述数值型下的第二统计特征数据包括：最大值、最小值、平均值、中位数、偏度、峰度、分位数。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述第一统计特征数据以及所述第二统计特征数据，确定至少一个待选训练的初始机器学习模型，包括：

若所述第一统计特征数据或所述第二统计特征数据为二分类数据，则将二分类机器学习模型作为所述初始机器学习模型，并将所述第一统计特征数据或所述第二统计特征数据作为二分类机器学习模型的训练数据；

若所述第一统计特征数据或所述第二统计特征数据为多值数据，则将多分类机器学习模型作为所述初始机器学习模型，并将所述第一统计特征数据或所述第二统计特征数据作为多分类机器学习模型的训练数据；

若所述第一统计特征数据或所述第二统计特征数据为连续数值数据，则将回归类机器学习模型作为所述初始机器学习模型，并将所述第一统计特征数据或所述第二统计特征数据作为回归机器学习模型的训练数据。

7.根据权利要求1-5任一项所述的方法，其特征在于，所述采用所述第一统计特征数据以及所述第二统计特征数据，训练所述至少一个待选训练的初始机器学习模型，包括：

采用所述第一统计特征数据、所述第二统计特征数据以及多个历史用户的原始数据，训练所述至少一个待选训练的初始机器学习模型。

8.一种信用评分模型的训练装置，其特征在于，包括：

提取模块，用于从多个历史用户的原始数据中提取所述原始数据的第一统计特征数据，所述第一统计特征数据包括：所述原始数据所属的目标数据类型；

第一确定模块，用于确定所述原始数据在所述目标数据类型下的第二统计特征数据；

第二确定模块，用于根据所述第一统计特征数据以及所述第二统计特征数据，确定至少一个待选训练的初始机器学习模型；

训练模块，用于采用所述第一统计特征数据以及所述第二统计特征数据，训练所述至少一个待选训练的初始机器学习模型，得到至少一个目标机器学习模型；

选择模块，用于从所述至少一个目标机器学习模型中选择出目标信用评分模型。