本發(fā)明涉及技術(shù)領(lǐng)域互聯(lián)網(wǎng)金融信用技術(shù)領(lǐng)域，特別涉及一種個(gè)人信用得分優(yōu)化評(píng)價(jià)方法。

背景技術(shù)：

目前，國內(nèi)外在個(gè)人信用得分評(píng)價(jià)上所采用的方法主要分為三大類：第一類是基于統(tǒng)計(jì)學(xué)模型的信用得分評(píng)價(jià)方法，如線性回歸法、logistic回歸方法和probit回歸方法等回歸模型以及基于k-近鄰判別分析方法和貝葉斯概率模型的非參數(shù)信用得分評(píng)價(jià)方法；第二類是非統(tǒng)計(jì)學(xué)模型的信用得分評(píng)價(jià)方法，如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、遺傳算法和決策樹等一系列人工智能算法；第三類是組合信用得分評(píng)價(jià)方法，該類模型利用多個(gè)信用得分評(píng)價(jià)模型，并根據(jù)各個(gè)算法的優(yōu)缺點(diǎn)進(jìn)行有機(jī)融合，可以獲得比上述兩類方法中的單個(gè)模型更好的計(jì)算效果，對(duì)于以上三類個(gè)人信用得分優(yōu)化評(píng)價(jià)方法，都存在著各自的缺陷。

基于統(tǒng)計(jì)學(xué)模型的信用得分評(píng)價(jià)方法存在模型構(gòu)建過程復(fù)雜，易于過度擬合，計(jì)算復(fù)雜度高等缺點(diǎn)，不適合當(dāng)前面向大規(guī)模征信數(shù)據(jù)的個(gè)人信用得分評(píng)價(jià)應(yīng)用；

基于非統(tǒng)計(jì)學(xué)模型的信用得分評(píng)價(jià)方法存在著評(píng)價(jià)結(jié)果易受噪聲數(shù)據(jù)干擾而出現(xiàn)不穩(wěn)定，以及評(píng)價(jià)過程不清晰而導(dǎo)致模型可解釋性差等缺陷；

在組合評(píng)價(jià)方法中，由于logistic回歸模型存在不能夠很好解決多重共線性的問題，甚至由于計(jì)算過多變量而導(dǎo)致模型復(fù)雜度的增加，從而降低了模型評(píng)價(jià)結(jié)果的準(zhǔn)確性；同時(shí)，在信用得分評(píng)價(jià)過程中，logistic回歸模型無法根據(jù)實(shí)際情況動(dòng)態(tài)調(diào)整“好”、“壞”客戶錯(cuò)判所帶來的損失-收益比。因此，在具體應(yīng)用過程中也受到了一定的限制；最后，在面向當(dāng)前基于大規(guī)模征信數(shù)據(jù)的個(gè)人信用得分評(píng)價(jià)應(yīng)用中，logistic回歸模型因其計(jì)算復(fù)雜度高，在處理大數(shù)據(jù)時(shí)，其執(zhí)行效率無法滿足需求。

技術(shù)實(shí)現(xiàn)要素：

為解決現(xiàn)有技術(shù)中個(gè)人信用得分評(píng)價(jià)過程中容易受噪聲數(shù)據(jù)干擾；利用統(tǒng)計(jì)學(xué)中模型構(gòu)建過程復(fù)雜；使用組合評(píng)價(jià)方法中計(jì)算過多導(dǎo)致模型更加復(fù)雜等技術(shù)問題，本發(fā)明提出一種計(jì)算復(fù)雜度低、容易建模的個(gè)人信用得分優(yōu)化評(píng)價(jià)方法來實(shí)現(xiàn)。

一種個(gè)人信用得分優(yōu)化評(píng)價(jià)方法，包括以下步驟：

根據(jù)歷史個(gè)人信用數(shù)據(jù)，將征信覆蓋范圍內(nèi)的客戶進(jìn)行信用標(biāo)簽標(biāo)定；

根據(jù)信用標(biāo)簽標(biāo)定結(jié)果，對(duì)信用指標(biāo)進(jìn)行篩選，獲得評(píng)價(jià)使用的高質(zhì)量征信數(shù)據(jù)；

根據(jù)篩選的結(jié)果對(duì)個(gè)人信用得分進(jìn)行評(píng)價(jià)，具體計(jì)算步驟如下：構(gòu)造決策樹并對(duì)構(gòu)造好的決策樹進(jìn)行剪枝，精簡決策樹模型，防止決策樹在構(gòu)造過程中過度擬合；采用boosting推進(jìn)，進(jìn)一步提高決策樹的準(zhǔn)確性；構(gòu)造成本矩陣與代價(jià)敏感樹，能降低生成的決策樹模型發(fā)生高成本誤判的概率；對(duì)決策樹進(jìn)行修剪及交叉驗(yàn)證，進(jìn)一步提高決策樹的精確度；輸入待評(píng)價(jià)數(shù)據(jù)，輸出評(píng)價(jià)結(jié)果：利用構(gòu)建完成的決策樹模型，在決策樹中輸入待評(píng)價(jià)使用的征信數(shù)據(jù)，經(jīng)過訓(xùn)練獲得最終的個(gè)人信用評(píng)價(jià)結(jié)果。

作為一種可實(shí)施方式，所述對(duì)信用指標(biāo)進(jìn)行篩選的具體步驟如下：

設(shè)定個(gè)人信用得分評(píng)價(jià)指標(biāo)構(gòu)成的高維數(shù)據(jù)矩陣x＝{x1,x2,…,xn}和標(biāo)簽標(biāo)定的信用得分因變量y，在此，y＝1或者y＝0；

通過高維數(shù)據(jù)矩陣x＝{x1,x2,…,xn}和標(biāo)簽標(biāo)定的信用得分因變量y來構(gòu)建回歸模型，設(shè)定回歸系數(shù)向量β＝(β1,β2,…,βn)，則回歸模型表示為其中pi＝p(yi＝1|xi)表示給定xi的條件下yi＝1的條件概率大小，xi為x1,x2,…,xn中的一值，i＝1,2,...,n；1-pi＝p(yi＝1|xi)表示給定xi的條件下yi＝0的條件概率大小，得到信用得分值的概率為n個(gè)信用得分值概率的似然函數(shù)為：

將公式(1)的似然函數(shù)進(jìn)行對(duì)數(shù)化處理，處理后得到：

公式(2)中，α是回歸模型中的回歸參數(shù)，代表信用評(píng)價(jià)變量x＝{x1,x2,…,xn}以外的綜合擾動(dòng)變量，由式公式(2)可得在此pi表示某一特定評(píng)價(jià)值yi的概率；

可以推出變量選擇的目標(biāo)函數(shù)為：

公式(3)中為懲罰項(xiàng)，其中λ為調(diào)和因子，ωj為權(quán)向量,為目標(biāo)值，即所需使用的信用得分計(jì)算個(gè)人征信數(shù)據(jù)。

作為一種可實(shí)施方式，所述構(gòu)造決策樹并對(duì)構(gòu)造好的決策樹進(jìn)行剪枝具體操作為：

將給定樣本集合作為決策樹的根節(jié)點(diǎn)，計(jì)算根節(jié)點(diǎn)中樣本集合的每個(gè)特征屬性的信息增益比率；

選取信息增益比率最高的屬性作為當(dāng)前節(jié)點(diǎn)的分裂屬性，將被選取的分裂屬性標(biāo)示當(dāng)前節(jié)點(diǎn)；

對(duì)選取的分離屬性的每個(gè)數(shù)值創(chuàng)建一個(gè)分支，并據(jù)此將給定樣本劃分成若干個(gè)子集，為每個(gè)子集創(chuàng)建一個(gè)新的節(jié)點(diǎn)。

作為一種可實(shí)施方式，針對(duì)得到的每個(gè)新節(jié)點(diǎn)，重復(fù)以上步驟，直到最后所有的節(jié)點(diǎn)符合以下三種條件中的一個(gè)則停止創(chuàng)建新分支。

作為一種可實(shí)施方式，所述三種條件包括：

節(jié)點(diǎn)的樣本集合中所有的樣本都屬于同一類；

節(jié)點(diǎn)的樣本集合中所有的屬性都已經(jīng)處理完畢，沒有剩余屬性可以用來進(jìn)一步劃分樣本；

節(jié)點(diǎn)的樣本集合中所有樣本的剩余屬性取值完全相同，但所屬類別卻不同。

作為一種可實(shí)施方式，所述采用boosting算法進(jìn)行推進(jìn)的具體過程為：

a、設(shè)定構(gòu)建好決策樹的個(gè)數(shù)為t，t表示第t次訓(xùn)練，當(dāng)t＝1，假設(shè)樣本集合為s，樣本集合s總共有m個(gè)樣本；

b、計(jì)算使得為的歸一化因子，為樣本i在第t次決策樹構(gòu)建過程中的權(quán)重(i＝1,2,…,m；t＝1,2,…,t)；

c、為樣本集合s的每個(gè)樣本賦予歸一化的權(quán)重值在此概率分布的基礎(chǔ)上構(gòu)建c^t，為的歸一化因子，c^t為第t次訓(xùn)練產(chǎn)生的決策樹模型；

d、計(jì)算第t個(gè)決策樹對(duì)樣本的錯(cuò)誤率在此，令當(dāng)樣本實(shí)例i被t個(gè)決策樹錯(cuò)誤分類時(shí)，θ^t(i)＝0；當(dāng)樣本實(shí)例i被t個(gè)決策樹正確分類時(shí)，θ^t(i)＝1，若ε^t＞0.5，則結(jié)束整個(gè)訓(xùn)練過程，令t＝t-1；如果ε^t＝0，結(jié)束整個(gè)訓(xùn)練過程，令t＝t；如果0＜ε^t≤0.5，則繼續(xù)下一個(gè)步驟；

e、計(jì)算權(quán)重值的調(diào)整因子δ^t，δ^t＝ε^t/1-ε^t；

若樣本被正確分類，則若樣本被錯(cuò)誤分類，則

若t＝t，則訓(xùn)練過程結(jié)束；否則，令t＝t+l,轉(zhuǎn)至步驟b進(jìn)行下一個(gè)循環(huán)；

f、最終得到復(fù)合決策樹c^*為t個(gè)決策樹模型結(jié)合得到的復(fù)合決策樹。

作為一種可實(shí)施方式，決策樹的修剪及交叉驗(yàn)證操作步驟具體如下：

將所有訓(xùn)練數(shù)據(jù)平均分成k份，每次使用其中一份作為測試樣本，其余k-1份數(shù)據(jù)作為學(xué)習(xí)樣本；

選擇平均分類精度最高的決策樹作為需要使用的決策樹。

本發(fā)明相比于現(xiàn)有技術(shù)的有益效果在于：

本發(fā)明所提供的方法能夠充分算法與決策樹模型的優(yōu)點(diǎn)，可以優(yōu)化整個(gè)面向大規(guī)模征信數(shù)據(jù)的個(gè)人信用得分計(jì)算過程，加速算法的執(zhí)行速度，提升計(jì)算結(jié)果的有效性，增強(qiáng)計(jì)算過程的可解釋性，通過adaptivelasso算法可以約簡評(píng)價(jià)維度、降低計(jì)算復(fù)雜度、提升c5.0算法的執(zhí)行效率；利用決策樹模型進(jìn)行個(gè)人信用得分進(jìn)行計(jì)算，模型具有良好的解釋性，計(jì)算過程清晰，計(jì)算結(jié)果的過程溯源能力優(yōu)良，計(jì)算結(jié)果穩(wěn)定，并且決策樹模型自帶的算法加速功能也可以進(jìn)一步提升算法執(zhí)行效率，適合模型大規(guī)模征信數(shù)據(jù)的個(gè)人信用得分計(jì)算應(yīng)用；決策樹模型可以動(dòng)態(tài)確定因錯(cuò)誤評(píng)價(jià)而帶來的損失-收益比例，使得模型計(jì)算結(jié)果更貼合實(shí)際，應(yīng)用能力更強(qiáng)。

附圖說明

圖1為本發(fā)明的整體流程示意圖；

圖2為本發(fā)明的根據(jù)篩選的結(jié)果對(duì)個(gè)人信用得分進(jìn)行計(jì)算的具體流程示意圖；

圖3為本發(fā)明的構(gòu)造決策樹并對(duì)構(gòu)造好的決策樹進(jìn)行剪枝具體流程示意圖；

圖4為本發(fā)明基于adaptivelasso算法的評(píng)價(jià)變量篩選及系數(shù)確定過程示意圖；

圖5為本發(fā)明基于adaptivelasso算法的λ值確定過程示意圖；

圖6是原始決策樹模型；

圖7是本發(fā)明基于adaptivelasso算法優(yōu)化的決策樹模型。

具體實(shí)施方式

以下結(jié)合附圖，對(duì)本發(fā)明上述的和另外的技術(shù)特征和優(yōu)點(diǎn)進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明的部分實(shí)施例，而不是全部實(shí)施例。

請參閱以下實(shí)施例。

一種個(gè)人信用得分優(yōu)化評(píng)價(jià)方法，包括以下步驟：

s1、根據(jù)歷史個(gè)人信用數(shù)據(jù)，將征信覆蓋范圍內(nèi)的客戶進(jìn)行信用標(biāo)簽標(biāo)定；

s2、根據(jù)信用標(biāo)簽標(biāo)定結(jié)果，對(duì)信用指標(biāo)進(jìn)行篩選，獲得評(píng)價(jià)使用的征信數(shù)據(jù)；

s3、根據(jù)篩選的結(jié)果對(duì)個(gè)人信用得分進(jìn)行計(jì)算，具體計(jì)算步驟如下：s31、構(gòu)造決策樹并對(duì)構(gòu)造好的決策樹進(jìn)行剪枝，精簡決策樹模型，防止決策樹在構(gòu)造過程中過度擬合；s32、采用boosting推進(jìn)，進(jìn)一步提高決策樹的準(zhǔn)確性；s33、構(gòu)造成本矩陣與代價(jià)敏感樹，能降低生成的決策樹模型發(fā)生高成本誤判的概率；s34、對(duì)決策樹進(jìn)行修剪及交叉驗(yàn)證，進(jìn)一步提高決策樹的精確度；s35、輸入待評(píng)價(jià)數(shù)據(jù)，輸出評(píng)價(jià)結(jié)果：利用構(gòu)建完成的決策樹模型，在決策樹中輸入待計(jì)算的信用得分?jǐn)?shù)據(jù)，經(jīng)過訓(xùn)練獲得最終的個(gè)人信用得分結(jié)果。

在s1中，本發(fā)明是根據(jù)歷史個(gè)人信用評(píng)價(jià)數(shù)據(jù)，如個(gè)人的基本狀況(年齡、職業(yè)、教育水平、工作年限等)，個(gè)人經(jīng)濟(jì)情況(個(gè)人及家庭的平均收入水平)，以及個(gè)人信用狀況(有無不良?xì)v史信用記錄)，以及最后金融機(jī)構(gòu)的最終授信結(jié)果，將所有征信覆蓋范圍內(nèi)的客戶群體分為“好”客戶和“壞”客戶兩類，為后續(xù)的數(shù)據(jù)訓(xùn)練和信用評(píng)價(jià)規(guī)則的建立提供依據(jù)。

在s2中，是采用adaptivelasso算法對(duì)對(duì)信用指標(biāo)進(jìn)行篩選，篩選的具體步驟如下：

設(shè)定個(gè)人信用得分計(jì)算指標(biāo)構(gòu)成的高維數(shù)據(jù)矩陣x＝{x1,x2,…,xn}和標(biāo)簽標(biāo)定的信用得分因變量y，在此，y＝1或者y＝0；

通過高維數(shù)據(jù)矩陣x＝{x1,x2,…,xn}和標(biāo)簽標(biāo)定的信用得分因變量y來構(gòu)建回歸模型，設(shè)定回歸系數(shù)向量β＝(β1,β2,…,βn)，則回歸模型表示為其中pi＝p(yi＝1|xi)表示給定xi的條件下yi＝1的條件概率大小，α是回歸模型中的回歸參數(shù)，代表信用評(píng)價(jià)變量x＝{x1,x2,…,xn}以外的綜合擾動(dòng)變量，xi為x1,x2,…,xn中的一值，i＝1,2,...,n；1-pi＝p(yi＝1|xi)表示給定xi的條件下yi＝0的條件概率大小，得到評(píng)價(jià)值的概率為n個(gè)信用得分值概率的似然函數(shù)為：

將公式(1)的似然函數(shù)進(jìn)行對(duì)數(shù)化處理，處理后得到：

公式(2)中，由式公式(2)可得在此pi表示某一特定評(píng)價(jià)值yi的概率；

可以推出變量選擇的目標(biāo)函數(shù)為：

公式(3)中為懲罰項(xiàng)，其中λ為調(diào)和因子，ωj為權(quán)向量,為目標(biāo)值，即就是所需要使用的征信數(shù)據(jù)。

調(diào)和因子λ的大小關(guān)系到在變量選擇過程中能否將一些自變量的系數(shù)壓縮為0，而權(quán)向量ωj反映了自變量對(duì)模型重要性體現(xiàn)在懲罰函數(shù)中所占的比重，該變量越重要，其在懲罰函數(shù)中的權(quán)重將越小，也就越難將其系數(shù)壓縮為0，相反的該變量在模型中起到的作用越小，它的懲罰函數(shù)中的權(quán)重越大，意味著該變量的系數(shù)越容易被壓縮為0。

本發(fā)明使用德國某銀行的征信數(shù)據(jù)

(http://archive.ics.uci.edu/ml/datasets/statlog+％28german+credit+data％29)對(duì)所提出的個(gè)人信用得分計(jì)算方法進(jìn)行驗(yàn)證和比較，該數(shù)據(jù)共有1000條征信記錄，包含25維，其中前24維是個(gè)人信用評(píng)價(jià)變量，第25維是“好”客戶和“壞”客戶的標(biāo)定維。圖2、3給出了基于adaptivelasso算法的個(gè)人信用得分計(jì)算變量篩選，以及算法中各參數(shù)確定過程。

在s31中、所述構(gòu)造決策樹并對(duì)構(gòu)造好的決策樹進(jìn)行剪枝具體操作為：

s311、將給定樣本集合作為決策樹的根節(jié)點(diǎn)，計(jì)算根節(jié)點(diǎn)中樣本集合的每個(gè)特征屬性的信息增益比率；

s312、選取信息增益比率最高的屬性作為當(dāng)前節(jié)點(diǎn)的分裂屬性，將被選取的分裂屬性標(biāo)示當(dāng)前節(jié)點(diǎn)；

s313、對(duì)選取的分離屬性的每個(gè)數(shù)值創(chuàng)建一個(gè)分支，并據(jù)此將給定樣本劃分成若干個(gè)子集，為每個(gè)子集創(chuàng)建一個(gè)新的節(jié)點(diǎn)。

針對(duì)得到的每個(gè)新節(jié)點(diǎn)，重復(fù)以上步驟，直到最后所有的節(jié)點(diǎn)符合以下三種條件中的一個(gè)則停止創(chuàng)建新分支。在此，所述三種條件包括：

節(jié)點(diǎn)的樣本集合中所有的樣本都屬于同一類；

節(jié)點(diǎn)的樣本集合中所有的屬性都已經(jīng)處理完畢，沒有剩余屬性可以用來進(jìn)一步劃分樣本；

節(jié)點(diǎn)的樣本集合中所有樣本的剩余屬性取值完全相同，但所屬類別卻不同。

針對(duì)得到的每個(gè)新節(jié)點(diǎn)，重復(fù)以上步驟，直到最后所有的節(jié)點(diǎn)符合以下三種條件中的一個(gè)則停止創(chuàng)建新分支，三種條件包括節(jié)點(diǎn)的樣本集合中所有的樣本都屬于同一類；節(jié)點(diǎn)的樣本集合中所有的屬性都已經(jīng)處理完畢，沒有剩余屬性可以用來進(jìn)一步劃分樣本；節(jié)點(diǎn)的樣本集合中所有樣本的剩余屬性取值完全相同，但所屬類別卻不同。

所述采用boosting算法進(jìn)行推進(jìn)的具體過程為：

a、設(shè)定構(gòu)建好決策樹的個(gè)數(shù)為t，t表示第t次訓(xùn)練，當(dāng)t＝1，假設(shè)樣本集合為s，樣本集合s總共有m個(gè)樣本；

b、計(jì)算使得為的歸一化因子，為樣本i在第t次決策樹構(gòu)建過程中的權(quán)重(i＝1,2,…,m；t＝1,2,…,t)；

c、為樣本集合s的每個(gè)樣本賦予歸一化的權(quán)重值在此概率分布的基礎(chǔ)上構(gòu)建c^t，為的歸一化因子，c^t為第t次訓(xùn)練產(chǎn)生的決策樹模型；

d、計(jì)算第t個(gè)決策樹對(duì)樣本的錯(cuò)誤率在此，令當(dāng)樣本實(shí)例i被t個(gè)決策樹錯(cuò)誤分類時(shí)，θ^t(i)＝0；當(dāng)樣本實(shí)例i被t個(gè)決策樹正確分類時(shí)，θ^t(i)＝1，若ε^t＞0.5，則結(jié)束整個(gè)訓(xùn)練過程，令t＝t-1；如果ε^t＝0，結(jié)束整個(gè)訓(xùn)練過程，令t＝t；如果0＜ε^t≤0.5，則繼續(xù)下一個(gè)步驟；

e、計(jì)算權(quán)重值的調(diào)整因子δ^t，δ^t＝ε^t/1-ε^t；

若樣本被正確分類，則若樣本被錯(cuò)誤分類，則

若t＝t，則訓(xùn)練過程結(jié)束；否則，令t＝t+l,轉(zhuǎn)至步驟b進(jìn)行下一個(gè)循環(huán)；

f、最終得到復(fù)合決策樹c^*為t個(gè)決策樹模型結(jié)合得到的復(fù)合決策樹。

也就是說，當(dāng)利用決策樹模型對(duì)某個(gè)測試樣本進(jìn)行分類時(shí)，先利用c^t(1≤t≤t)分別對(duì)該樣本進(jìn)行分類，一共得到t個(gè)分類結(jié)果。然后根據(jù)每個(gè)c^t的權(quán)重值統(tǒng)計(jì)每種類別的得數(shù)，以得數(shù)最高的類別作為整個(gè)模型的分類結(jié)果。

在步驟s33中，構(gòu)造成本矩陣與代價(jià)敏感樹，能降低生成的決策樹模型發(fā)生高成本誤判的概率。誤判成本值是對(duì)某一種誤判(分類錯(cuò)誤)所產(chǎn)生后果嚴(yán)重性的反映，值越高，說明誤判的后果越嚴(yán)重，這種錯(cuò)誤在模型的構(gòu)建過程中應(yīng)得到重視以減少該類誤判，從本質(zhì)上說，誤判成本是應(yīng)用于特定結(jié)果的權(quán)重，這些權(quán)重可化為模型中的因子，并能在實(shí)際上更改評(píng)價(jià)結(jié)果(作為避免高成本錯(cuò)誤的一種方式)，將不同的誤判成本值以矩陣的形式展現(xiàn)出來，則形成了成本矩陣，成本矩陣顯示了預(yù)測類別與實(shí)際類別每種可能組合的成本。決策樹允許用戶在成本矩陣中對(duì)每一種誤判設(shè)定成本值，然后根據(jù)這些成本值以最小化期望誤判成本總和為目標(biāo)生成決策樹，從而有效的降低了生成的決策樹模型發(fā)生高成本誤判的概率。

在步驟s34中，決策樹的修剪及交叉驗(yàn)證操作步驟具體如下：

將所有訓(xùn)練數(shù)據(jù)平均分成k份，每次使用其中一份作為測試樣本，其余k-1份數(shù)據(jù)作為學(xué)習(xí)樣本；

選擇平均分類精度最高的決策樹作為需要使用的決策樹。

選擇出了平均分類精度最高的決策樹進(jìn)行訓(xùn)練。

由圖4、5可以看出，基于adaptivelasso優(yōu)化后的決策樹模型只保留了最重要的指標(biāo)變量，使得整個(gè)模型構(gòu)建過程、數(shù)據(jù)訓(xùn)練過程和信用得分計(jì)算過程變得更為簡潔，提升了整個(gè)計(jì)算流程的執(zhí)行效率。

如表1和表2所示，本發(fā)明所提的adaptivelasso-c5.0方法相比于lasso-logistic回歸模型和adaptivelasso-logistic回歸模型在“好”、“壞”客戶的判斷準(zhǔn)確率的對(duì)比。

表1三個(gè)模型對(duì)樣本的計(jì)算結(jié)果(人數(shù))

表2三個(gè)模型對(duì)樣本的計(jì)算結(jié)果(比例)

從表1和表2可以看到，本發(fā)明所提的adaptivelasso-c5.0方法相比于lasso-logistic回歸模型和adaptivelasso-logistic回歸模型在“好”、“壞”客戶的判斷準(zhǔn)確率上更高，平均正確比例也更高，從而證明了adaptivelasso優(yōu)化決策樹方法在個(gè)人信用得分評(píng)價(jià)上的有效性和可靠性。

以上所述的具體實(shí)施例，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步的詳細(xì)說明，應(yīng)當(dāng)理解，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限定本發(fā)明的保護(hù)范圍。特別指出，對(duì)于本領(lǐng)域技術(shù)人員來說，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。