[发明专利]基于可解释提升机EBM的还款违约率预测算法

权利要求书

1.一种基于可解释提升机的还款违约率预测算法，其特征在于，包括：

S1：获取对用户还款违约进行评估的评估指标与评估指标的指标输出；

S2：将评估指标以及指标输出作为梯度提升树模型的自变量以及因变量，同时，根据因变量的变量属性确定基分类器；

S3：将基分类器在梯度提升树模型中进行构建生成可解释提升机，并基于可解释提升机对用户还款违约率进行评估。

2.根据权利要求1所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，S1中，评估指标包括：逾期评估、逾期时间评估、欠款金额评估，指标输出包括：评估指标对应的指标输出预测值。

3.根据权利要求1所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，S2中，将评估指标以及指标输出作为梯度提升树模型的自变量以及因变量，包括：

对评估指标进行读取，确定评估指标的指标特征，同时，根据评估指标的指标特征生成数据爬取因子；

基于数据爬取因子在物联网中爬取与评估指标一致的第一样本数据，并对第一样本数据进行过滤，生成第二样本数据，同时，设定数据追踪因子，并基于数据追踪因子对第二样本数据进行追踪，确定第二样本数据所对应的目标输出数据；

将第二样本数据作为梯度提升树模型的自变量且将目标输出数据作为梯度提升树模型的因变量。

4.根据权利要求3所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，对第一样本数据进行过滤，包括：

对第一样本数据进行读取，确定第一样本数据的数据变化规律，同时，确定第一样本数据的数据类型；

将第一样本数据的数据变化规律作为第一过滤因子，并基于第一样本数据的数据类型作为第二过滤因子；

根据第一过滤因子对第一样本数据进行第一过滤，并基于第二过滤因子对第一样本数据进行第二过滤；

基于第一过滤与第二过滤确定第二样本数据。

5.根据权利要求1所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，S2中，根据因变量的变量属性确定基分类器，包括：

对指标输出进行读取，确定指标输出的输出表达，同时，将指标输出的输出表达进行数据编码；

基于编码结果确定因变量的输出原因码；

根据输出原因码确定基分类器。

6.根据权利要求1所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，S3中，将基分类器在梯度提升树模型中进行构建生成可解释提升机，包括：

对基分类器进行读取，确定基分类器的特征信息，同时，根据基分类器的特征信息确定在梯度提升树模型的目标限制条件；

将目标限制条件在梯度提升树模型中进行构建，并根据构建结果生成可解释提升机。

7.根据权利要求1所述的一种基于可解释提升机的还款违约率预测算法，其特征在于，S3中，构建生成可解释提升机之后，还包括：

对可解释提升机进行读取，确定可解释提升机的结构特征，同时，基于可解释提升机的结构特征，确定可解释提升机的工作逻辑，并基于工作逻辑设定数据验证集，并确定数据验证集中每个目标数据对应的第一计算结果；

将数据验证集中每个目标数据分别输入至可解释提升机中进行计算，并在可解释提升机中输出第二计算结果；

基于第一计算结果与第二计算结果确定对可解释提升机进行学习的学习因子，并基于学习因子对可解释提升机进行学习，获得目标可解释提升机。