CN107122890-CN201710224341-个人信用得分优化评价方法.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107122890 A (43)申请公布日 2017.09.01 (21)申请号 201710224341.0 (22)申请日 2017.04.07 (71)申请人 信雅达系统工程股份有限公司 地址 310000 浙江省杭州市滨江区江南大 道3888号信雅达科技大厦 申请人 浙江农林大学 (72)发明人 徐达宇　魏致善　施宇伦　 (74)专利代理机构 杭州知通专利代理事务所 (普通合伙) 33221 代理人 姚宇吉 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 40/02(2012.01) G06F 17/18(2006.01) G06K 9/62(2006.01) 权利要求书2页 说明书7页 附图4页 (54)发明名称 个人信用得分优化评价方法 (57)摘要 本发明提供了一种个人信用得分优化评价 方法，根据历史个人信用评价数据，将征信覆盖 范围内的客户进行信用标签标定；根据信用标签 标定结果，对评价指标进行筛选，获得评价使用 的征信数据；根据筛选的结果对个人信用进行评 价。本发明所提供的方法能够充分算法与决策树 模型的优点，可以优化整个面向大规模征信数据 的个人信用得分计算过程，加速信用得分计算的 执行速度，提升计算结果的有效性，增强评价过 程的可解释性，通过Adaptive Lasso算法可以约 简评价维度、降低计算复杂度、提升评价执行效 率。 A 0 9 8 2 2 1 7 0 1 N C CN 107122890 A 权　利　要　求　书 1/2页 1.一种个人信用得分优化评价方法，其特征在于包括以下步骤： 根据历史个人征信数据，将征信覆盖范围内的客户进行信用标签标定； 根据信用标签标定结果，对信用指标进行筛选，获得高信息密度与高数据质量的征信 数据； 根据筛选的结果对个人信用进行信用得分进行评价，具体评价步骤如下：构造决策树 并对构造好的决策树进行剪枝，精简决策树模型，防止决策树在构造过程中过度拟合；采用 Boosting推进，进一步提高决策树的准确性；构造成本矩阵与代价敏感树，能降低生成的决 策树模型发生高成本误判的概率；对决策树进行修剪及交叉验证，进一步提高决策树的精 确度；输入待评价数据，输出信用得分计算结果：利用构建完成的决策树模型，在决策树中 输入待评价使用的征信数据，经过训练获得最终的个人信用得分。 2.根据权利要求1所述的个人信用得分优化评价方法，其特征在于，所述对信用指标进 行筛选的具体步骤如下： 设定个人信用评价指标构成的高维数据矩阵X＝{x ,x ,…,x }和标签标定的信用评价 1 2 n 因变量Y，在此，Y＝1或者Y＝0； 通过高维数据矩阵X＝{x ,x ,…,x }和标签标定的信用评价因变量Y来构建回归模型， 1 2 n 设定回归系数向量β＝(β,β,…,β)，则回归模型表示为 其中p ＝P(y ＝ 1 2 n i i 1|x)表示给定x 的条件下y ＝1的条件概率大小