[发明专利]基于逐步最优特征选择的自动化模型调优算法

摘要

本发明公开了一种基于逐步最优特征选择的自动化模型调优算法，该算法包括建立初版评分模型、设置限制条件、逐步最优特征选择算法、筛选得出最优模型KS值、判断模型KS差值变量组合是否达标、将未达标的KS差值变量组合重新筛选和建立最终评分卡模型七大步骤；该算法可以自动产生最优的评分卡模型，最大程度挖掘了特征变量对于目标变量的预测能力，消除了建模人员主观意识的干扰性，减少时间成本的浪费，最终生成的评分卡模型兼顾了模型预测效果的有效性和模型应用效果的稳定性。将该算法嵌入到传统评分卡模型的建立当中，可以明显提高金融行业传统的信贷模型质量，提高审批的正确率，拒绝更多的欺诈逾期申请。

主权项

1.基于逐步最优特征选择的自动化模型调优算法，其特征在于，包括如下步骤：S1、对建模数据样本建立初版评分卡模型，得到初版模型的入模特征变量组合，以及剩余未入模的所有特征变量；S2、设置逐步最优特征选择算法的基本限制条件，使得逐步选择的特征变量满足入模要求，包括显著性水平P‑Value，特征变量系数coefficient以及信息值IV(information value)；S3、根据S1中的初版模型结果及S2中的基本限制条件，首先通过逐步最优特征选择算法挑选能够使得模型预测效果达到最优的特征变量组合，即针对初版模型中所有入模变量，循环删除每一个特征变量后利用剩余特征变量建模，记录下每次模型结果的评估指标KS值，同时针对初版模型未入模特征变量,循环加入每个特征变量后建立模型，同样记录下每次模型结果的评估指标KS值，选择两类操作中KS值达到最大的变量，若KS值最大的情况是原来的变量组合，加入新变量或减少原变量均无法提升KS值，则停止迭代，输出原来的变量组合，进入S5中；若KS值最大的情况不是原来的变量组合，则使用KS值最大的变量组合建模代替原始模型，进入步骤S4中；S4、在S3的变量组合基础上，针对此变量组合循环删除每一个特征变量建模，记录KS值，同时针对所有未入模变量循环加入每一个特征变量建模，记录KS值，选取使得KS值最大的操作，一直循环进行此步骤，直到模型KS值达到最优为止，进入S5中；S5、在S3或S4中得到的模型预测效果达到最佳的变量组合基础上，同样通过逐步最优特征选择算法挑选在模型预测效果最佳的同时使得模型达到稳定的变量组合，针对现有模型入模变量，循环删除每一个特征变量后利用剩余特征变量建模，记录下每次模型结果在训练样本和测试样本上的KS差值比例,同时针对现有模型未入模特征变量,循环加入每个特征变量后建立模型，同样记录下每次模型结果在训练样本和测试样本上的KS差值比例，若此时存在使得KS差值比例达到要求的变量组合，选择所有满足要求的变量组合中KS值最大的变量组合，输出此变量组合,进入S7中；若不存在使得KS差值比例达到要求的变量组合，则使用KS差值比例最小的变量组合建模代替原始模型，进入S6中；S6、在S5的变量组合基础上，针对此变量组合循环删除每一个特征变量建模，记录KS差值比例，同时针对所有未入模变量循环加入每一个特征变量建模，记录KS差值比例，选取使得KS差值比例满足要求的变量组合，输出这些变量组合中KS值最大的组合，一直循环进行此步骤，直到KS差值比例满足要求为止，选择模型KS值最大的变量组合进入S7中；S7、利用使得模型既有效又稳定的特征变量组合，建立最终的评分卡模型。