技術(shù)特征：

1.一種個(gè)人信用評(píng)估方法，其特征在于，包括：

獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括具有信用標(biāo)簽及多個(gè)信用屬性的訓(xùn)練樣本，所述信用標(biāo)簽為對(duì)對(duì)應(yīng)訓(xùn)練樣本的信用進(jìn)行評(píng)估得到的標(biāo)簽；

選取出分類(lèi)效果最好的信用屬性作為最優(yōu)信用屬性并組成對(duì)應(yīng)的最優(yōu)信用屬性集，將每個(gè)訓(xùn)練樣本中包含的所述最優(yōu)信用屬性集之外的信用屬性去掉，得到對(duì)應(yīng)的最優(yōu)訓(xùn)練樣本集；

采用支持向量機(jī)對(duì)所述最優(yōu)訓(xùn)練樣本集建模，得到支持向量機(jī)分類(lèi)模型；

獲取未知信用標(biāo)簽且僅具有所述最優(yōu)信用屬性的待測(cè)樣本并作為所述支持向量機(jī)分類(lèi)模型的輸入，得到所述待測(cè)樣本的信用標(biāo)簽。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，選取出分類(lèi)效果最好的信用屬性作為最優(yōu)信用屬性，包括：

獲取與所述多個(gè)信用屬性對(duì)應(yīng)的權(quán)重向量，并對(duì)所述多個(gè)信用屬性按照所述權(quán)重向量中對(duì)應(yīng)權(quán)重由大至小進(jìn)行排序；

對(duì)進(jìn)行排序后的多個(gè)信用屬性，利用支持向量機(jī)分類(lèi)器在所述訓(xùn)練樣本集上進(jìn)行10折交叉驗(yàn)證，得到所述最優(yōu)信用屬性。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，獲取與所述多個(gè)信用屬性對(duì)應(yīng)的權(quán)重向量，包括：

步驟1：將權(quán)重向量表示為w^t＝[w₁,w₂,…,w_I]^T∈R^I，令t＝0且設(shè)置對(duì)應(yīng)的初始的權(quán)重向量為w⁰＝[1/I,1/I,…,1/I]^T，I為所述信用屬性的數(shù)量；

步驟2：最大化來(lái)求得權(quán)重向量w^t+1，其中：

$z_i^{t+1}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left(\right|x_i-{\mathrm{\α}}_i{H}_i^{NM}|-|x_i-{\mathrm{\β}}_i{H}_i^{NH}\left|\right),$

其中，和分別是訓(xùn)練樣本x_i在與其信用標(biāo)簽不同的異類(lèi)樣本以及訓(xùn)練標(biāo)簽相同的同類(lèi)樣本中的近鄰樣本矩陣，k是先驗(yàn)設(shè)置的近鄰個(gè)數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問(wèn)題得到α_i：

$\begin{array}{cc}\underset{{\mathrm{\α}}_i}{min}& \frac{1}{2}\left|\right|{\left(w^i\right)}^T{x}_i-{\left(w^i\right)}^T{H}_i^{NM}{\mathrm{\α}}_i|{|}^2+\mathrm{\λ}|\left|{\mathrm{\α}}_i\right|{|}_1\end{array},$

求解下面的優(yōu)化問(wèn)題得到β_i：

$\begin{array}{cc}\underset{{\mathrm{\β}}_i}{min}& \frac{1}{2}\left|\right|{\left(w^i\right)}^T{x}_i-{\left(w^i\right)}^T{H}_i^{NH}{\mathrm{\β}}_i|{|}^2+\mathrm{\λ}|\left|{\mathrm{\β}}_i\right|{|}_1\end{array};$

其中，λ為控制稀疏項(xiàng)稀疏程度的超參數(shù)；

步驟3：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行步驟2。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，判斷出||w^t+1-w^t||大于所述第一預(yù)設(shè)值之后，還包括：

判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行所述令t＝t+1，返回執(zhí)行步驟2的步驟。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，獲取所述訓(xùn)練樣本集之后，還包括：

對(duì)每個(gè)所述訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進(jìn)行離差標(biāo)準(zhǔn)化處理：

$x_{ij}=\frac{x_{ij}-x_j^{\min }}{x_j^{\max }-x_j^{\min }},$

i＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個(gè)訓(xùn)練樣本第j個(gè)信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

對(duì)應(yīng)的，獲取所述待測(cè)樣本之后，還包括：

對(duì)所述待測(cè)樣本按照下列轉(zhuǎn)換函數(shù)進(jìn)行離差標(biāo)準(zhǔn)化處理：

$x_j=\frac{x_j-x_j^{\min }}{x_j^{\max }-x_j^{\min }},$

其中，x_j表示所述待測(cè)樣本第j個(gè)信用屬性的屬性值。

6.一種個(gè)人信用評(píng)估裝置，其特征在于，包括：

獲取模塊，用于獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括具有信用標(biāo)簽及多個(gè)信用屬性的訓(xùn)練樣本，所述信用標(biāo)簽為對(duì)對(duì)應(yīng)訓(xùn)練樣本的信用進(jìn)行評(píng)估得到的標(biāo)簽；

選取模塊，用于選取出分類(lèi)效果最好的信用屬性作為最優(yōu)信用屬性并組成對(duì)應(yīng)的最優(yōu)信用屬性集，將每個(gè)訓(xùn)練樣本中包含的所述最優(yōu)信用屬性集之外的信用屬性去掉，得到對(duì)應(yīng)的最優(yōu)訓(xùn)練樣本集；

構(gòu)建模塊，用于采用支持向量機(jī)對(duì)所述最優(yōu)訓(xùn)練樣本集建模，得到支持向量機(jī)分類(lèi)模型；

分類(lèi)模塊，用于獲取未知信用標(biāo)簽且僅具有所述最優(yōu)信用屬性的待測(cè)樣本并作為所述支持向量機(jī)分類(lèi)模型的輸入，得到所述待測(cè)樣本的信用標(biāo)簽。

7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述選取模塊包括：

選取單元，用于：獲取與所述多個(gè)信用屬性對(duì)應(yīng)的權(quán)重向量，并對(duì)所述多個(gè)信用屬性按照所述權(quán)重向量中對(duì)應(yīng)權(quán)重由大至小進(jìn)行排序；對(duì)進(jìn)行排序后的多個(gè)信用屬性，利用支持向量機(jī)分類(lèi)器在所述訓(xùn)練樣本集上進(jìn)行10折交叉驗(yàn)證，得到所述最優(yōu)信用屬性。

8.根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述選取單元包括：

選取子單元，用于執(zhí)行以下操作：

步驟1：將權(quán)重向量表示為w^t＝[w₁,w₂,…,w_I]^T∈R^I，令t＝0且設(shè)置對(duì)應(yīng)的初始的權(quán)重向量為w⁰＝[1/I,1/I,…,1/I]^T，I為所述信用屬性的數(shù)量；

步驟2：最大化來(lái)求得權(quán)重向量w^t+1，其中：

$z_i^{t+1}=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left(\right|x_i-{\mathrm{\α}}_i{H}_i^{NM}|-|x_i-{\mathrm{\β}}_i{H}_i^{NH}\left|\right),$

其中，和分別是訓(xùn)練樣本x_i在與其信用標(biāo)簽不同的異類(lèi)樣本以及訓(xùn)練標(biāo)簽相同的同類(lèi)樣本中的近鄰樣本矩陣，k是先驗(yàn)設(shè)置的近鄰個(gè)數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問(wèn)題得到α_i：

$\begin{array}{cc}\underset{{\mathrm{\α}}_i}{min}& \frac{1}{2}\left|\right|{\left(w^i\right)}^T{x}_i-{\left(w^i\right)}^T{H}_i^{NM}{\mathrm{\α}}_i|{|}^2+\mathrm{\λ}|\left|{\mathrm{\α}}_i\right|{|}_1\end{array},$

求解下面的優(yōu)化問(wèn)題得到β_i：

$\begin{array}{cc}\underset{{\mathrm{\β}}_i}{min}& \frac{1}{2}\left|\right|{\left(w^i\right)}^T{x}_i-{\left(w^i\right)}^T{H}_i^{NH}{\mathrm{\β}}_i|{|}^2+\mathrm{\λ}|\left|{\mathrm{\β}}_i\right|{|}_1\end{array};$

其中，λ為控制稀疏項(xiàng)稀疏程度的超參數(shù)；

步驟3：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行步驟2。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述選取子單元還包括：

判斷子單元，用于判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行所述令t＝t+1，返回執(zhí)行步驟2的步驟。

10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括：

標(biāo)準(zhǔn)化處理模塊，用于獲取所述訓(xùn)練樣本集之后，對(duì)每個(gè)所述訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進(jìn)行離差標(biāo)準(zhǔn)化處理：

$x_{ij}=\frac{x_{ij}-x_j^{\min }}{x_j^{\max }-x_j^{\min }},$

i＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個(gè)訓(xùn)練樣本第j個(gè)信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

以及用于獲取所述待測(cè)樣本之后，對(duì)所述待測(cè)樣本按照下列轉(zhuǎn)換函數(shù)進(jìn)行離差標(biāo)準(zhǔn)化處理：

$x_j=\frac{x_j-x_j^{\min }}{x_j^{\max }-x_j^{\min }},$

其中，x_j表示所述待測(cè)樣本第j個(gè)信用屬性的屬性值。