[发明专利]一种目标事件的发生概率确定方法以及装置在审

专利信息
申请号: 202110447667.6 申请日: 2021-04-25
公开(公告)号: CN113033919A 公开(公告)日: 2021-06-25
发明(设计)人: 龚承启 申请(专利权)人: 中国电子系统技术有限公司
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q10/06;G06Q30/00;G06F30/27;G06F111/08
代理公司: 北京尚钺知识产权代理事务所(普通合伙) 11723 代理人: 王海荣
地址: 100036 *** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 目标 事件 发生 概率 确定 方法 以及 装置
【说明书】:

本申请公开一种目标事件的发生概率确定方法,该方法包括:获取目标事件对应的N个级别分组;针对每一个第一级别分组,根据该第一级别分组对应的各个第N级别分组的若干个指标参数,确定该第一级别分组对应的回归模型;根据各个第一级别分组各自分别对应的回归模型,确定顶层回归模型;根据所述顶层回归模型,确定所述目标事件的发生概率。可见,本申请充分利用各个分组中的各个指标参数的分层分组关系,将顶层回归模型的优化过程分解到各个分组对应的回归模型构建过程中,并最终将各个分组对应的回归模型重新组合为顶层回归模型,使得顶层回归模型具备更强的可解释性,陷入局部最优的风险也更低,从而提高顶层回归模型所预测的目标概率的准确性。

技术领域

本申请涉及计算机技术领域,尤其涉及一种目标事件的发生概率确定方法、装置。

背景技术

在众多的概率模型中,logistic回归具有简洁的表达形式(自变量的线性组合及logistic变换)和良好的可解释性(自变量系数表示该自变量对目标概率的影响方向和程度),在信用风险建模、反欺诈、点击率预测等领域被广泛应用。传统的logistic回归将所有自变量整体作线性组合,这样虽然能使建模步骤更简单,但在实际场景中,各自变量之间可能存在分组的关系,每组自变量对目标概率的影响有其自身规律,如果这样笼统地建立目标概率关于所有自变量的模型,各组自变量本身独有的特性可能会被忽略,导致所建立的模型所预测的目标概率的准确性较低。故此,亟需一种新的目标事件的发生概率确定的方案。

发明内容

本申请提供了一种目标事件的发生概率确定方法,以提高顶层回归模型所预测的目标概率的准确性。

第一方面,本申请提供了一种目标事件的发生概率确定方法,所述方法包括:

获取目标事件对应的N个级别分组,N为正整数;其中,每个第N级别分组均包括若干个指标参数;

针对每一个第一级别分组,根据该第一级别分组对应的各个第N级别分组的若干个指标参数,确定该第一级别分组对应的回归模型;

根据各个第一级别分组各自分别对应的回归模型,确定顶层回归模型;

根据所述顶层回归模型,确定所述目标事件的发生概率。

可选的,所述针对每一个第一级别分组,根据该第一级别分组对应的各个第N级别分组的若干个指标参数,确定该第一级别分组对应的回归模型,包括:

针对每一个第一级别分组,将该第一级别分组对应的各个第N-1级别分组分别作为目标分组,针对每一个目标分组,根据所述目标分组对应的各个下一级别分组对应的回归模型,确定所述目标分组对应的回归模型;若所述目标分组不为第一级别分组,则将所述目标分组的各个上一级别分组分别作为目标分组,继续执行所述根据所述目标分组对应的各个下一级别分组对应的回归模型,确定所述目标分组对应的回归模型的步骤,直至所述目标分组为第一级别分组;

其中,该第一级别分组对应的各个第N级别分组对应的回归模型的确定方式为:根据第N级别分组的若干个指标参数,确定所述第N级别分组对应的回归模型。

可选的,所述根据第N级别分组的若干个指标参数,确定所述第N级别分组对应的回归模型,包括:

将第N级别分组的若干个指标参数作为自变量,将所述目标事件的发生概率作为目标变量,建立初始回归模型;

利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理,得到优化后的回归模型;若所述优化后的回归模型的似然函数未达到最大值,则将所述优化后的回归模型作为初始回归模型,继续执行所述利用所述初始回归模型的似然函数对所述初始回归模型进行优化处理的步骤;若所述优化后的回归模型的似然函数达到最大值,则将所述优化后的回归模型作为该第N级别分组对应的回归模型。

可选的,所述根据所述目标分组对应的各个下一级别分组对应的回归模型,确定所述目标分组对应的回归模型,包括:

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国电子系统技术有限公司,未经中国电子系统技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202110447667.6/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top