本發(fā)明涉及計(jì)算機(jī)科學(xué)
技術(shù)領(lǐng)域：
，具體而言，涉及一種用于風(fēng)險(xiǎn)評估的方法、系統(tǒng)及構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法。
背景技術(shù)：
：隨著社會經(jīng)濟(jì)的不斷發(fā)展，人們越來越意識到保險(xiǎn)的重要性。保險(xiǎn)是指投保人根據(jù)合同約定，向保險(xiǎn)人支付保險(xiǎn)費(fèi)，保險(xiǎn)人對于合同約定的可能發(fā)生的風(fēng)險(xiǎn)所造成的損失承擔(dān)賠償保險(xiǎn)金的行為。因此，保險(xiǎn)人對于保險(xiǎn)業(yè)務(wù)的風(fēng)險(xiǎn)評估極為重要?，F(xiàn)有技術(shù)中的核保核賠等保險(xiǎn)業(yè)務(wù)審核及風(fēng)險(xiǎn)控制，通常是利用既往經(jīng)驗(yàn)，通過設(shè)定包括地區(qū)、人群、客戶年齡、保險(xiǎn)金額、保險(xiǎn)費(fèi)等維度的組合判斷標(biāo)準(zhǔn)與規(guī)則，進(jìn)行日常投保、理賠業(yè)務(wù)的自動審核和人工審核的篩選。因此，需要一種新的用于風(fēng)險(xiǎn)評估的方法、系統(tǒng)及構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法。在所述
背景技術(shù)：
部分公開的上述信息僅用于加強(qiáng)對本發(fā)明的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。技術(shù)實(shí)現(xiàn)要素：有鑒于此，本發(fā)明提供一種用于用于風(fēng)險(xiǎn)評估的方法、系統(tǒng)及構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法，能夠通過多個(gè)評分卡模型進(jìn)行風(fēng)險(xiǎn)評分，提高了風(fēng)險(xiǎn)評估的精準(zhǔn)度。本發(fā)明的其他特性和優(yōu)點(diǎn)將通過下面的詳細(xì)描述變得顯然，或部分地通過本發(fā)明的實(shí)踐而習(xí)得。根據(jù)本發(fā)明的一方面，提供一種用于風(fēng)險(xiǎn)評估的方法，所述方法包括：基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。在本發(fā)明的一種示例性實(shí)施例中，所述基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重，包括：重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件：根據(jù)所述大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型；根據(jù)所述評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率；根據(jù)所述概率以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新所述大數(shù)據(jù)樣本的權(quán)重，并獲取所述評分卡模型對應(yīng)的評分卡權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述方法還包括：預(yù)設(shè)所述大數(shù)據(jù)樣本的初始權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述獲取所述評分卡模型的評分卡權(quán)重，包括：根據(jù)所述每個(gè)樣本出現(xiàn)預(yù)定事件的概率獲取每個(gè)樣本出現(xiàn)預(yù)定事件的預(yù)測值；根據(jù)所述預(yù)測值以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，計(jì)算所述評分卡模型的錯(cuò)誤率；根據(jù)所述評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述根據(jù)所述評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重，包括：通過以下公式獲取所述評分卡模型的評分卡權(quán)重：其中，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，εm表示第m個(gè)評分卡模型的錯(cuò)誤率，m為大于或者等于1的整數(shù)。在本發(fā)明的一種示例性實(shí)施例中，所述預(yù)設(shè)條件包括：所述多個(gè)評分卡模型的組合模型的AUC系數(shù)，與下一次更新所述大數(shù)據(jù)樣本的權(quán)重構(gòu)建的評分卡模型所組成的多個(gè)評分卡模型的組合模型的AUC系數(shù)的差值在預(yù)設(shè)范圍之內(nèi)。在本發(fā)明的一種示例性實(shí)施例中，所述根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)，包括：通過以下公式計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)：其中，Sm,j表示目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，Pm,j表示目標(biāo)對象在第m個(gè)評分卡出現(xiàn)預(yù)定事件的概率。在本發(fā)明的一種示例性實(shí)施例中，所述利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的的相對分?jǐn)?shù)，還包括：在預(yù)設(shè)的映射表中查找所述絕對分?jǐn)?shù)，獲取所述絕對分?jǐn)?shù)對應(yīng)的所述目標(biāo)對象出現(xiàn)預(yù)定事件的的相對分?jǐn)?shù)。根據(jù)本發(fā)明的另一方面，提供一種用于構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法，所述方法包括：重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件，利用所述多個(gè)評分卡模型的組合模型構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)：根據(jù)所述大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型；根據(jù)所述評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率；根據(jù)所述概率以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新所述大數(shù)據(jù)樣本的權(quán)重，并獲取所述評分卡模型對應(yīng)的評分卡權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述方法還包括：預(yù)設(shè)所述大數(shù)據(jù)樣本的初始權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述獲取所述評分卡模型的評分卡權(quán)重，包括：根據(jù)所述預(yù)測值以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，計(jì)算所述評分卡模型的錯(cuò)誤率；根據(jù)所述評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重。在本發(fā)明的一種示例性實(shí)施例中，所述根據(jù)所述評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重，包括：通過以下公式獲取所述評分卡模型的評分卡權(quán)重：其中，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，εm表示第m個(gè)評分卡模型的錯(cuò)誤率，m為大于或者等于1的整數(shù)。在本發(fā)明的一種示例性實(shí)施例中，所述預(yù)設(shè)條件包括：所述多個(gè)評分卡模型的組合模型的AUC系數(shù)，與下一次更新所述大數(shù)據(jù)樣本的權(quán)重構(gòu)建的評分卡模型所組成的多個(gè)評分卡模型的組合模型的AUC系數(shù)的差值在預(yù)設(shè)范圍之內(nèi)。根據(jù)本發(fā)明的另一方面，提供一種用于風(fēng)險(xiǎn)評估的系統(tǒng)，所述系統(tǒng)包括：構(gòu)建模塊，用于基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；第一計(jì)算模塊，用于根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；第二計(jì)算模塊，用于利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。在本發(fā)明的一種示例性實(shí)施例中，所述構(gòu)建模塊，配置為用于重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件：根據(jù)所述大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型；根據(jù)所述評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率；根據(jù)所述概率以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新所述大數(shù)據(jù)樣本的權(quán)重，并獲取所述評分卡模型對應(yīng)的評分卡權(quán)重。本發(fā)明實(shí)施例中，基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。通過多個(gè)評分卡模型進(jìn)行風(fēng)險(xiǎn)評分，避免了單一的評分卡模型造成的風(fēng)險(xiǎn)評估不精準(zhǔn)的問題，提高了風(fēng)險(xiǎn)評估的精準(zhǔn)度。附圖說明通過參照附圖詳細(xì)描述其示例實(shí)施例，本發(fā)明的上述和其它目標(biāo)、特征及優(yōu)點(diǎn)將變得更加顯而易見。圖1是根據(jù)一示例性實(shí)施例示出的用于風(fēng)險(xiǎn)評估的方法的流程圖。圖2是根據(jù)一示例性實(shí)施例示出的ROC曲線的示意圖。圖3是根據(jù)一示例性實(shí)施例示出的用于構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法的流程圖。圖4是根據(jù)一示例性實(shí)施例示出的一種用于風(fēng)險(xiǎn)評估的系統(tǒng)的結(jié)構(gòu)圖。具體實(shí)施方式現(xiàn)在將參考附圖更全面地描述示例實(shí)施例。然而，示例實(shí)施例能夠以多種形式實(shí)施，且不應(yīng)被理解為限于在此闡述的實(shí)施例；相反，提供這些實(shí)施例使得本發(fā)明將全面和完整，并將示例實(shí)施例的構(gòu)思全面地傳達(dá)給本領(lǐng)域的技術(shù)人員。在圖中相同的附圖標(biāo)記表示相同或類似的部分，因而將省略對它們的重復(fù)描述。此外，所描述的特征、結(jié)構(gòu)或特性可以以任何合適的方式結(jié)合在一個(gè)或更多實(shí)施例中。在下面的描述中，提供許多具體細(xì)節(jié)從而給出對本發(fā)明的實(shí)施例的充分理解。然而，本領(lǐng)域技術(shù)人員將意識到，可以實(shí)踐本發(fā)明的技術(shù)方案而沒有特定細(xì)節(jié)中的一個(gè)或更多，或者可以采用其它的方法、組元、裝置、步驟等。在其它情況下，不詳細(xì)示出或描述公知方法、裝置、實(shí)現(xiàn)或者操作以避免模糊本發(fā)明的各方面。附圖中所示的方框圖僅僅是功能實(shí)體，不一定必須與物理上獨(dú)立的實(shí)體相對應(yīng)。即，可以采用軟件形式來實(shí)現(xiàn)這些功能實(shí)體，或在一個(gè)或多個(gè)硬件模塊或集成電路中實(shí)現(xiàn)這些功能實(shí)體，或在不同網(wǎng)絡(luò)和/或處理器裝置和/或微控制器裝置中實(shí)現(xiàn)這些功能實(shí)體。附圖中所示的流程圖僅是示例性說明，不是必須包括所有的內(nèi)容和操作/步驟，也不是必須按所描述的順序執(zhí)行。例如，有的操作/步驟還可以分解，而有的操作/步驟可以合并或部分合并，因此實(shí)際執(zhí)行的順序有可能根據(jù)實(shí)際情況改變。需要說明的是，現(xiàn)有技術(shù)的技術(shù)方案中，在風(fēng)險(xiǎn)評估的精準(zhǔn)程度和對經(jīng)驗(yàn)數(shù)據(jù)的深度挖掘方面仍有較大的改善空間，而且評分系統(tǒng)在模型構(gòu)建的過程中如果樣本信息量很少，造成風(fēng)險(xiǎn)評估不精準(zhǔn)。圖1是根據(jù)一示例性實(shí)施例示出的用于風(fēng)險(xiǎn)評估的方法的流程圖。如圖1所示，在S102中，基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重。需要說明的是，本發(fā)明實(shí)施例中提供的用于風(fēng)險(xiǎn)評估的方法可以用于多種場景，例如：對保險(xiǎn)業(yè)務(wù)進(jìn)行風(fēng)險(xiǎn)評估，對信用進(jìn)行信用評估，對安全系數(shù)進(jìn)行評估，對電話接通情況進(jìn)行評估等。本發(fā)明實(shí)施例中以對保險(xiǎn)業(yè)務(wù)進(jìn)行風(fēng)險(xiǎn)評估為例，則預(yù)定事件可以為出險(xiǎn)，出現(xiàn)概率可以為出險(xiǎn)概率。根據(jù)示例實(shí)施例，可以重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型CARD的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件，獲取多個(gè)評分卡模型CARD。需要說明的是，重復(fù)執(zhí)行一次S1021-S1023，就是一次循環(huán)迭代。根據(jù)示例實(shí)施例，需要為所有大數(shù)據(jù)樣本預(yù)設(shè)初始權(quán)重，例如，大數(shù)據(jù)樣本的總數(shù)為N，實(shí)際沒有出險(xiǎn)的樣本的個(gè)數(shù)為a,實(shí)際出險(xiǎn)的樣本個(gè)數(shù)為b為例，預(yù)設(shè)實(shí)際不會出險(xiǎn)的樣本的初始權(quán)重為1，實(shí)際出險(xiǎn)的樣本的初始權(quán)重設(shè)置為a/b。從而使實(shí)際出險(xiǎn)和實(shí)際不出險(xiǎn)的總體權(quán)重相等。S1021、根據(jù)大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型。需要說明的是，可以通過logistic利用極大似然估計(jì)得到當(dāng)前大數(shù)據(jù)樣本的權(quán)重對應(yīng)的評分卡模型，例如，在SAS里可以通過proclogistic過程步得到。評分卡模型給出了各維度因素的估計(jì)值，例如，以保險(xiǎn)業(yè)務(wù)的出險(xiǎn)概率為例，評分卡模型可以表示維度因素(如，性別和婚姻狀況)的估計(jì)值，如表1所示，為本發(fā)明實(shí)施例提供的一種評分卡模型。維度因素觀測值估計(jì)值截距0性別男1性別女0婚姻狀況已婚1婚姻狀況未婚0表1需要說明的是，表1所示的評分卡模型中的觀測值是指樣本的每個(gè)維度因素的實(shí)際值，可以通過樣本直接得到。對于每個(gè)樣本，通過評分卡模型，可以查找其各維度因素的觀測值對應(yīng)的估計(jì)值。S1022、根據(jù)該評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率?？梢酝ㄟ^如下公式計(jì)算每個(gè)樣本出險(xiǎn)預(yù)定事件的概率。Pm,j表示根據(jù)第m個(gè)評分卡模型得到的第j個(gè)樣本的出險(xiǎn)概率，βm0為第m個(gè)評分卡模型的截距(intercept)，xi,j(i＝0，1，2…)為第j個(gè)樣本的第i個(gè)維度因素對應(yīng)的觀測值，βm,i(i＝0，1，2…)為第j個(gè)樣本的第m個(gè)評分卡中第i個(gè)維度因素對應(yīng)的估計(jì)值。例如，以表1的評分卡模型為例，假設(shè)樣本的性別為男，而且未婚，則出險(xiǎn)概率計(jì)算為這里β0對應(yīng)截距取值為0，由于第1個(gè)維度因素x1對應(yīng)的取值為男，表1中β1對應(yīng)的取值為1，由于第2個(gè)維度因素x2對應(yīng)的取值為未婚，表1中β2對應(yīng)的取值為0。S1023、根據(jù)上述概率以及每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新大數(shù)據(jù)樣本的權(quán)重，并獲取上述評分卡模型對應(yīng)的評分卡權(quán)重。當(dāng)計(jì)算出每個(gè)評分卡模型的出險(xiǎn)概率后，根據(jù)每個(gè)樣本出現(xiàn)預(yù)定事件的概率獲取每個(gè)樣本出現(xiàn)預(yù)定事件的預(yù)測值。評分卡模型可以看作一個(gè)分類器，傳統(tǒng)的2分類模型(譬如決策樹)，得出的預(yù)測結(jié)果是樣本是否會出現(xiàn)預(yù)定事件(也就是結(jié)果只有0或1兩種情況)。本發(fā)明實(shí)施例中，通過logistic算法構(gòu)建的每個(gè)評分卡模型出現(xiàn)預(yù)定事件的概率位于0至1之間。此時(shí)，通過設(shè)定概率閾值，將計(jì)算出的概率大于該閾值的樣本，預(yù)測會出現(xiàn)預(yù)定事件。將計(jì)算出的概率小于或者等于該閾值的樣本，預(yù)測不會出現(xiàn)預(yù)定事件。例如，本發(fā)明上述實(shí)施例中，由于實(shí)際沒有出險(xiǎn)的樣本的個(gè)數(shù)為a,實(shí)際出險(xiǎn)的樣本個(gè)數(shù)為b，預(yù)設(shè)實(shí)際不會出險(xiǎn)的樣本的初始權(quán)重為1，實(shí)際出險(xiǎn)的樣本的初始權(quán)重設(shè)置為a/b。從而使實(shí)際出險(xiǎn)和實(shí)際不出險(xiǎn)的總體權(quán)重都為a，因此可以選取預(yù)設(shè)概率閾值為0.5。進(jìn)一步的，將計(jì)算出的每個(gè)樣本的出險(xiǎn)概率與0.5比較，大于0.5的樣本為預(yù)測為會出險(xiǎn)的樣本，設(shè)置預(yù)測值為1。小于或者等于0.5的樣本為預(yù)測不會出險(xiǎn)的樣本，設(shè)置預(yù)測值為0。對應(yīng)設(shè)置每個(gè)樣本是否出險(xiǎn)的實(shí)際值(對于實(shí)際出險(xiǎn)的樣本，設(shè)置實(shí)際值為1，對于實(shí)際沒有出險(xiǎn)的樣本，設(shè)置實(shí)際值為0)。根據(jù)每個(gè)樣本的預(yù)測值以及實(shí)際值，更新樣本的權(quán)重可以包括多種方式，本發(fā)明實(shí)施例中示例性提供一種方式。根據(jù)每個(gè)樣本的預(yù)測值以及實(shí)際值，計(jì)算該評分卡模型的錯(cuò)誤率，根據(jù)該評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重。計(jì)算評分卡模型的錯(cuò)誤率可以通過如下公式：εm表示第m個(gè)評分卡模型的錯(cuò)誤率，yj為第j個(gè)樣本的實(shí)際值，為第j個(gè)樣本的第m個(gè)評分卡模型的預(yù)測值，ωm,j表示第j個(gè)樣本的第m個(gè)評分卡模型對應(yīng)的權(quán)重，N表示樣本的總數(shù)。進(jìn)一步的，通過以下公式獲取該評分卡模型的評分卡權(quán)重：其中，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，εm表示第m個(gè)評分卡模型的錯(cuò)誤率，m為大于或者等于1的整數(shù)。更進(jìn)一步的，可以根據(jù)如下公式更新樣本的權(quán)重。其中，ωm+1,j表示第j個(gè)樣本更新的權(quán)重，αm表示第m個(gè)評分卡模型的評分卡權(quán)重。如果第j個(gè)樣本的第m個(gè)評分卡模型的預(yù)測值與該樣本的實(shí)際值相同，則ym(Xj)等于1。如果第j個(gè)樣本的第m個(gè)評分卡模型的預(yù)測值與該樣本的實(shí)際值不相同，則ym(Xj)等于-1。通過公式(4)可以增加訓(xùn)練錯(cuò)誤的樣本權(quán)重，減少訓(xùn)練正確的樣本權(quán)重，從而加快了獲取樣本的多個(gè)評分卡模型的速率。yj為第j個(gè)樣本的實(shí)際值，為第j個(gè)樣本的第m個(gè)評分卡模型獲取的預(yù)測值，ωm,j表示第j個(gè)樣本的第m個(gè)評分卡模型對應(yīng)的權(quán)重，N表示樣本的總數(shù)。需要說明的是，根據(jù)概率以及每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，獲取該評分卡模型對應(yīng)的評分卡權(quán)重的方法請參見上文，此處不再贅述。通過重復(fù)執(zhí)行S1021-S1023，獲取到多個(gè)評分卡模型，以及每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重。當(dāng)構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件，跳出上述循環(huán)迭代。該預(yù)設(shè)條件包括：上述多個(gè)評分卡模型的組合模型的AUC系數(shù)，與下一次更新上述大數(shù)據(jù)樣本的權(quán)重構(gòu)建的評分卡模型所組成的多個(gè)評分卡模型的組合模型的AUC系數(shù)的差值在預(yù)設(shè)范圍之內(nèi)。例如，該預(yù)設(shè)條件可以用以下公式表示：AUCm+1＜＝AUCm+Z(6)Z表示預(yù)設(shè)范圍，本發(fā)明實(shí)施提供一個(gè)經(jīng)驗(yàn)值0.005。需要說明的是，獲取上述多個(gè)評分卡模型的組合模型的AUC系數(shù)可以有多種方式，本發(fā)明實(shí)施例示例性提供一種方式。計(jì)算每個(gè)樣本在每個(gè)評分卡模型的出險(xiǎn)概率以及每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重后，計(jì)算每個(gè)樣本在多個(gè)評分卡模型的絕對分?jǐn)?shù)，將所有樣本(N個(gè))的絕對分?jǐn)?shù)取值從小到大分100等份，取每一份的最大值作為一個(gè)閾值(相當(dāng)于每百分位數(shù)設(shè)定為一個(gè)閾值，共設(shè)定100個(gè)閾值)，將大于這個(gè)閾值而又實(shí)際出險(xiǎn)的預(yù)設(shè)樣本占所有出險(xiǎn)樣本的比值設(shè)為Y軸取值，將大于這個(gè)閾值而又實(shí)際沒有出險(xiǎn)的預(yù)定樣本占所有未出險(xiǎn)樣本的比值設(shè)為X軸取值，得到當(dāng)前閾值對應(yīng)的點(diǎn)，這樣形成了100個(gè)點(diǎn)，這些點(diǎn)依次連起來就形成了ROC(ReceiverOperatingCharacteristic)曲線。圖2是根據(jù)一示例性實(shí)施例示出的ROC曲線的示意圖，ROC的主要分析工具是一個(gè)畫在二維平面上的曲線——ROCcurve。平面的橫坐標(biāo)是falsepositiverate(FPR)，縱坐標(biāo)是truepositiverate(TPR)。對某個(gè)分類器而言，我們可以根據(jù)其在測試樣本上的表現(xiàn)得到一個(gè)TPR和FPR點(diǎn)對。這樣，此分類器就可以映射成ROC平面上的一個(gè)點(diǎn)。調(diào)整這個(gè)分類器分類時(shí)候使用的閾值，我們就可以得到一個(gè)經(jīng)過(0，0)，(1，1)的曲線，這就是此分類器的ROC曲線。AUC系數(shù)就是處于ROCcurve下方的那部分面積的大小。通常，AUC的值介于0.5到1.0之間，模型具有越大的AUC系數(shù)代表了模型的好壞樣本的區(qū)分度越好，模型的精準(zhǔn)程度越高。當(dāng)構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件，這多個(gè)評分卡模型為構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的多個(gè)評分卡模型。在S104中，根據(jù)上述多個(gè)評分卡模型以及每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)。根據(jù)示例實(shí)施例，可以通過以下公式計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)：其中，Sm,j表示目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，Pm,j表示目標(biāo)對象在第m個(gè)評分卡出現(xiàn)預(yù)定事件的概率。在S106中，利用上述絕對分?jǐn)?shù)計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。根據(jù)示例實(shí)施例，在預(yù)設(shè)的映射表中查找所述該絕對分?jǐn)?shù)，獲取所述該絕對分?jǐn)?shù)對應(yīng)的所述該目標(biāo)對象出現(xiàn)預(yù)定事件的的相對分?jǐn)?shù)。例如，通過將S102中的N個(gè)樣本的絕對分?jǐn)?shù)劃分為連續(xù)的100個(gè)區(qū)間，每一所述區(qū)間對應(yīng)一個(gè)相對值分?jǐn)?shù)，因此將可以將絕對分?jǐn)?shù)轉(zhuǎn)換為相對分?jǐn)?shù)。例如，將1000萬個(gè)樣本的絕對分?jǐn)?shù)劃分為100個(gè)連續(xù)的區(qū)間，每個(gè)區(qū)間10萬個(gè)數(shù)據(jù)，將這1000萬個(gè)樣本的絕對分?jǐn)?shù)按照大小劃分到這100個(gè)區(qū)間內(nèi)，如，絕對分?jǐn)?shù)最低的10萬個(gè)數(shù)據(jù)劃分到第1個(gè)區(qū)間，這個(gè)區(qū)間內(nèi)絕對分?jǐn)?shù)的最大值為0.5，則當(dāng)目標(biāo)對象的絕對分?jǐn)?shù)小于或者等于0.5時(shí)，對應(yīng)的相對分?jǐn)?shù)為1。但本發(fā)明不限于此，例如，將大量樣本的絕對分?jǐn)?shù)劃分為連續(xù)的10個(gè)或50個(gè)或1000個(gè)區(qū)間，每一區(qū)間對應(yīng)一個(gè)相對分?jǐn)?shù)，因此可以進(jìn)行其他精度的評分，本示例實(shí)施方式中對此不做特殊限定。本發(fā)明實(shí)施例中，基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。通過多個(gè)評分卡模型進(jìn)行風(fēng)險(xiǎn)評分，避免了單一的評分卡模型造成的風(fēng)險(xiǎn)評估不精準(zhǔn)的問題，提高了風(fēng)險(xiǎn)評估的精準(zhǔn)度。圖3是根據(jù)一示例性實(shí)施例示出的用于構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)的方法的流程圖，包括：重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件，利用所述多個(gè)評分卡模型的組合模型構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)：S302、根據(jù)大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型；根據(jù)示例實(shí)施例，預(yù)設(shè)大數(shù)據(jù)樣本的初始權(quán)重。S304、根據(jù)所述評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率；S306、根據(jù)所述概率以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新所述大數(shù)據(jù)樣本的權(quán)重，并獲取所述評分卡模型對應(yīng)的評分卡權(quán)重。根據(jù)示例實(shí)施例，根據(jù)所述預(yù)測值以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，計(jì)算所述評分卡模型的錯(cuò)誤率，根據(jù)所述評分卡模型的錯(cuò)誤率獲取所述評分卡模型的評分卡權(quán)重。根據(jù)示例實(shí)施例，通過以下公式獲取所述評分卡模型的評分卡權(quán)重：其中，αm表示第m個(gè)評分卡模型的評分卡權(quán)重，εm表示第m個(gè)評分卡模型的錯(cuò)誤率，m為大于或者等于1的整數(shù)。所述預(yù)設(shè)條件包括：所述多個(gè)評分卡模型的組合模型的AUC系數(shù)，與下一次更新所述大數(shù)據(jù)樣本的權(quán)重構(gòu)建的評分卡模型所組成的多個(gè)評分卡模型的組合模型的AUC系數(shù)的差值在預(yù)設(shè)范圍之內(nèi)。本發(fā)明實(shí)施例中，利用多個(gè)評分卡模型構(gòu)建風(fēng)險(xiǎn)評估系統(tǒng)，避免了單一的評分卡模型造成的風(fēng)險(xiǎn)評估不精準(zhǔn)的問題，提高了風(fēng)險(xiǎn)評估的精準(zhǔn)度。下述為本發(fā)明系統(tǒng)實(shí)施例，可以用于執(zhí)行本發(fā)明方法實(shí)施例。在下文對系統(tǒng)的描述中，與前述方法相同的部分，將不再贅述。圖4是根據(jù)一示例性實(shí)施例示出的一種用于風(fēng)險(xiǎn)評估的系統(tǒng)的結(jié)構(gòu)圖。如圖4所示，該系統(tǒng)40包括：構(gòu)建模塊410，用于基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；第一計(jì)算模塊420，用于根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；第二計(jì)算模塊430，用于利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。根據(jù)示例實(shí)施例，所述構(gòu)建模塊410，配置為用于重復(fù)執(zhí)行以下操作，直到構(gòu)建的多個(gè)評分卡模型的組合模型的AUC系數(shù)滿足預(yù)設(shè)條件：根據(jù)所述大數(shù)據(jù)樣本的權(quán)重，通過logistic算法構(gòu)建當(dāng)前權(quán)重對應(yīng)的評分卡模型；根據(jù)所述評分卡模型計(jì)算每個(gè)樣本出現(xiàn)預(yù)定事件的概率；根據(jù)所述概率以及所述每個(gè)樣本出現(xiàn)預(yù)定事件的實(shí)際值，更新所述大數(shù)據(jù)樣本的權(quán)重，并獲取所述評分卡模型對應(yīng)的評分卡權(quán)重。本發(fā)明實(shí)施例中，基于大數(shù)據(jù)樣本構(gòu)建多個(gè)評分卡模型，并獲取每個(gè)評分卡模型對應(yīng)的評分卡權(quán)重；根據(jù)所述多個(gè)評分卡模型以及所述每個(gè)評分卡模型的評分卡權(quán)重，計(jì)算目標(biāo)對象出現(xiàn)預(yù)定事件的絕對分?jǐn)?shù)；利用所述絕對分?jǐn)?shù)計(jì)算所述目標(biāo)對象出現(xiàn)預(yù)定事件的相對分?jǐn)?shù)。通過多個(gè)評分卡模型進(jìn)行風(fēng)險(xiǎn)評分，避免了單一的評分卡模型造成的風(fēng)險(xiǎn)評估不精準(zhǔn)的問題，提高了風(fēng)險(xiǎn)評估的精準(zhǔn)度。以上具體地示出和描述了本發(fā)明的示例性實(shí)施例。應(yīng)可理解的是，本發(fā)明不限于這里描述的詳細(xì)結(jié)構(gòu)、設(shè)置方式或?qū)崿F(xiàn)方法；相反，本發(fā)明意圖涵蓋包含所附權(quán)利要求的精神和范圍內(nèi)的各種修改和等效設(shè)置。當(dāng)前第1頁1 2 3