CN113850483A - 一种企业信用风险评级*** - Google Patents
一种企业信用风险评级*** Download PDFInfo
- Publication number
- CN113850483A CN113850483A CN202111062689.7A CN202111062689A CN113850483A CN 113850483 A CN113850483 A CN 113850483A CN 202111062689 A CN202111062689 A CN 202111062689A CN 113850483 A CN113850483 A CN 113850483A
- Authority
- CN
- China
- Prior art keywords
- model
- enterprise
- risk rating
- credit risk
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业信用风险评级***,包括用户端和服务端;所述用户端用于向服务端发起信用风险评级请求,所述服务端用于根据信息风险评级请求生成信用风险评级结果返回用户端;所述服务端包括数据采集模块、数据处理模块和模型预测模块;所述数据采集模块,用于根据所述信用风险评级请求采集目标企业的特征数据;所述数据处理模块,用于对采集到的特征数据进行预处理,得到目标企业的特征画像信息;所述模型预测模块,用于根据目标企业的特征画像信息预测所述目标企业的信用风险评级结果。本发明能够快速的对企业进行信用风险评级,方便快捷。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种企业信用风险评级***。
背景技术
目前,小微企业与个人贷款不同,小微企业的建模样本少、企业类型复杂等特点,银行一般通过企业经营或财务数据来评级企业信用风险,目前主要还是采用人工来对企业信用风险进行评级,人工评级存在很大的不确定性,容易受到主管因素的影响。而且评级效率低下。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种企业信用风险评级***,能够快速的对企业进行信用风险评级,方便快捷。
为解决上述技术问题,本发明采用的技术方案是:一种企业信用风险评级***,包括用户端和服务端;所述用户端用于向服务端发起信用风险评级请求,所述服务端用于根据信息风险评级请求生成信用风险评级结果返回用户端;
所述服务端包括数据采集模块、数据处理模块和模型预测模块;
所述数据采集模块,用于根据所述信用风险评级请求采集目标企业的特征数据;
所述数据处理模块,用于对采集到的特征数据进行预处理,得到目标企业的特征画像信息;
所述模型预测模块,用于根据目标企业的特征画像信息预测所述目标企业的信用风险评级结果。
上述企业信用风险评级***,所述信用风险评级请求中包含有企业名称和企业识别代码,所述数据采集模块采集的目标企业特征数据包括企业营收金额、企业支出金额、企业借贷数据,以及与所述目标企业存在业务往来的多个关联企业的企业营收金额、企业支出金额、企业借贷数据;
所述数据处理模块对采集到的特征数据进行预处理包括根据企业营收金额和企业支出金额标记目标企业和关联企业的营收标签,营收标签为盈利企业或亏损企业;根据企业借贷数据标记目标企业和关联企业的负债标签,负债标签为高负债企业或低负债企业;所述目标企业的特征画像信息包括目标企业的营收标签、负债标签、以及对于关联企业的营收标签和负债标签。
上述企业信用风险评级***,所述模型预测模块预测所述目标企业的信用风险评级结果时,将所述目标企业的特征画像信息输入预置的风险评级模型得到信用风险评级结果,所述风险评级模型为机器学习模型。
上述企业信用风险评级***,所述服务端还包括模型更新模块,所述模型更新模块用于每间隔T时间对所述风险评级模型进行更新。
上述企业信用风险评级***,所述风险评级模型为Catboost模型,所述模型更新模块对所述风险评级模型进行更新时包括以下步骤:
步骤1、将最新的样本数据进行风险等级标记生成模型学习集数据,所述风险等级包括正常、关注、次级、可疑和损失;其中,风险等级通过贷款数据得到,正常代表历史无逾期,关注代表历史最大逾期小于30天,次级代表历史最大逾期大于30天小于60天,可疑代表历史最大逾期大于60天小于90天,损失代表历史最大逾期大于90天;每条模型学习集数据均包括样本企业的特征画像信息和风险等级;
步骤2、利用模型学习集数据通过K折交叉验证对Catboost模型进行训练,K是大于1的正整数;
步骤3、将训练完成的Catboost模型部署上线。
上述企业信用风险评级***,步骤2中对所述Catboost模型进行训练时,Catboost模型的输出值为概率值,其中,概率值在0—0.1对应风险等级为正常,概率值在0.11—0.2对应风险等级为关注,概率值在0.21—0.3对应风险等级为次级,概率值在0.31—0.4对应风险等级为可疑,概率值在0.41—1.0对应风险等级为损失。
上述企业信用风险评级***,步骤2中对所述Catboost模型进行训练时,以oblivious决策树作为基模型,oblivious树中每个叶子节点的索引被编码为长度与树深度相等的二进制矢量。
上述企业信用风险评级***,步骤2中对所述Catboost模型进行训练时,使用的模型评价指标为K-S统计量值,当K-S统计量值大于0.2时,输出Catboost模型。
上述企业信用风险评级***,所述模型预测模块还用于输出风险评分,所述风险评分=100-100*概率值,所述概率值为风险评级模型预测的值。
本发明与现有技术相比具有以下优点:本发明通过采用具有人工智能模型的模型预测模块对目标企业的特征画像信息预测,可以直接得到目标企业的信用风险评级结果,方便快捷。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的***架构图。
具体实施方式
如图1所示,一种企业信用风险评级***,包括用户端100和服务端200;所述用户端100用于向服务端200发起信用风险评级请求,所述服务端200用于根据信息风险评级请求生成信用风险评级结果返回用户端100;
所述服务端200包括数据采集模块201、数据处理模块202和模型预测模块203;
所述数据采集模块201,用于根据所述信用风险评级请求采集目标企业的特征数据;
所述数据处理模块202,用于对采集到的特征数据进行预处理,得到目标企业的特征画像信息;
所述模型预测模块203,用于根据目标企业的特征画像信息预测所述目标企业的信用风险评级结果。
本实施例中,所述信用风险评级请求中包含有企业名称和企业识别代码,所述数据采集模块201采集的目标企业特征数据包括企业营收金额、企业支出金额、企业借贷数据,以及与所述目标企业存在业务往来的多个关联企业的企业营收金额、企业支出金额、企业借贷数据;
所述数据处理模块202对采集到的特征数据进行预处理包括根据企业营收金额和企业支出金额标记目标企业和关联企业的营收标签,营收标签为盈利企业或亏损企业;根据企业借贷数据标记目标企业和关联企业的负债标签,负债标签为高负债企业或低负债企业;所述目标企业的特征画像信息包括目标企业的营收标签、负债标签、以及对于关联企业的营收标签和负债标签。
需要说明的是,目标企业和关联企业是指存在业务上往来和资金上往来的两家公司,实际中一家企业的风险评级受到关联企业很大的影响,例如经销商的负债风险,很容易会转嫁到生产商,另外供应商的负债也会影响生产商的生产效率。本发明通过将关联企业的营收和负债纳入目标企业的特征中,能够更好的评估目标企业的信用风险等级。实际操作中,关联企业的名单可以通过用户端100直接输入,再根据关联企业的名单从外部金融***、第三方信用***(如国家工商网、企查查、天眼查、启信宝、爱企查等网站)等中抽取到营收信息和负债信息。
本实施例中,所述模型预测模块203预测所述目标企业的信用风险评级结果时,将所述目标企业的特征画像信息输入预置的风险评级模型得到信用风险评级结果,所述风险评级模型为机器学习模型。
本实施例中,所述服务端200还包括模型更新模块204,所述模型更新模块204用于每间隔T时间对所述风险评级模型进行更新。所述T=1天。通过对风险评级模块的不断更新,可以保持风险评级模块能力与当下企业发展变化匹配,能够及时的精准给出企业的风险评级
本实施例中,所述风险评级模型为Catboost模型,所述模型更新模块204对所述风险评级模型进行更新时包括以下步骤:
步骤1、将最新的样本数据进行风险等级标记生成模型学习集数据,所述风险等级包括正常、关注、次级、可疑和损失;其中,风险等级通过贷款数据得到,正常代表历史无逾期,关注代表历史最大逾期小于30天,次级代表历史最大逾期大于30天小于60天,可疑代表历史最大逾期大于60天小于90天,损失代表历史最大逾期大于90天;每条模型学习集数据均包括样本企业的特征画像信息和风险等级;
步骤2、利用模型学***均值作为模型的最终评价结果。通过K折校验,模型效果得到了验证,为其应用在真实业务环境下提供了合理依据,K值选取默认为K=5。
步骤3、将训练完成的Catboost模型部署上线。
需要说明的是,CatBoost是categorical+Boosting(Categorical Features+Gradient Boosting)的简称,是一种基于梯度增强决策树(gradient boosting decisiontree,GBDT)算法的新型机器学习算法,CatBoost是以对称决策树作为基学习器,通过嵌入一种自动将类别特征处理为数值型特征的算法,对于类别特征有着准确高效地处理效果,能够很好地处理分类特征问题并能有效地减少过度拟合问题,相对于其他的早期GBDT算法如XGBoost和LightGBM,CatBoost在很多方面都有较大提升,特别是适合处理大量数据和特征。
在传统的梯度提升算法中,往往难以避免有偏梯度估计引起的过拟合问题。CatBoost对其进行了改进,在构建树的第一阶段,采用的是梯度步长的无偏估计,第二阶段则和传统GBDT相同。
CatBoost使用改进GreedyTS的方式实现目标变量的统计。该模型在将标签平均值作为节点***标准的基础上,通过添加先验分布项p,以减小数据噪声和出现较少的类别特征。计算公式为:
其中,a代表的是大于0的权重系数,p代表的是增加的先验值,有助于减少低频类别的噪声,从而可以较为有效的避免过拟合现象。对于类别数较少的特征,先验项的添加有利于噪音数据的减少。
CatBoost使用次序原则,将TS值的计算依靠目前已经观察的样本集。基于贪婪算法选择树的结构,找出所有可能的分割方式,计算每种方式的惩罚函数,选择最小的,将结果分配给叶节点,后续叶节点重复此过程,在构建新树前进行随机重排,按梯度下降方向构建新树,CatBoost在不同的梯度提升步中使用不同的排列。CatBoost算法利用以下公式计算特征变量的重要性:
其中,c1,c2为叶节点中的文档数,v1,v2为叶节点中计算公式的值。
通过计算特征变量的重要性,并根据其重要程度提取前20个特征变量对高维数据进行降维,减少信息冗余,降低模型的时间复杂度。
本实施例中,步骤2中对所述Catboost模型进行训练时,Catboost模型的输出值为概率值,其中,概率值在0—0.1对应风险等级为正常,概率值在0.11—0.2对应风险等级为关注,概率值在0.21—0.3对应风险等级为次级,概率值在0.31—0.4对应风险等级为可疑,概率值在0.41—1.0对应风险等级为损失。
本实施例中,步骤2中对所述Catboost模型进行训练时,以oblivious决策树作为基模型,oblivious树中每个叶子节点的索引被编码为长度与树深度相等的二进制矢量。这种计算节点值的方式避免了直接计算过拟合的问题,而且oblivious树的整个级别上使用相同的分割准则,因此oblivious树能达到平衡,不易过拟合。将特征进行了离散化保存,这种直方图计算方法不依赖于原子操作,实现起来更加地高效。
需要说明的是,实际操作中,对类别特征使用完美哈希进行按位压缩。采用分布式的学习方式,对数据学习集分多个并排计算,可实现多个GPU加速。
本实施例中,步骤2中对所述Catboost模型进行训练时,使用的模型评价指标为K-S统计量值,当K-S统计量值大于0.2时,输出Catboost模型。
需要说明的是,模型效果主要在于能够区分各风险等级,常用的评价指标Kolmogorov-Smirnov(K-S)统计量值来衡量预测结果,K-S越高表明模型对正负样本的区分能力越强,其计算方法如下:
假设f(s|P)为正样本预测值的累计分布函数,f(s|N)为负样本在预测值上的累计分布函数,则有:
KS值是累计坏占比曲线和累计好占比曲线差值的最大值。KS值表示了模型将正样本和负样本区分开来的能力。KS值越大,模型的预测准确性越好。此处正负样本定义为:正常和关注的风险等级较低,为正,次级、可疑、损失的风险等级较高,为负。
在验证过程中,当时KS>0.2,则较为理想,当KS<0.2时,验证集实时风险等级与模型预测结果的模型偏差样本重新输入训练,不断调整参数,最终实现信用评级模型优化。
本实施例中,所述模型预测模块203还用于输出风险评分,所述风险评分=100-100*概率值,所述概率值为风险评级模型预测的值。最终信用评级在90分及以上对应正常风险企业标签,80-89分对应关注风险企业标签,70-79对应次级风险企业标签,60-69对应可疑风险企业标签,60分以下对应损失企业标签,确定与预测评级结果阈值区间对应的信用风险等级。
本实施例中,CatBoost模型部署上线、监控,具体包括以下情况:
Step1、模型上线
将CatBoost模型部署;其中,正常风险等级的企业预测的逾期概率极低,企业信用极高,触发自动通过响应,直接通过其信贷申请;关注风险等级的企业预测小概率会发生逾期,触发建议人工快速通过响应,提醒人工快速通过其审核,并同步传递用户的风险点作为人工参考;次级风险等级的企业有一定概率上会发生贷后违约,触发建议人工常规审核响应,提醒人工常规核实,并同步传递用户的风险点作为人工参考;可疑风险等级的企业预测有较大概率会发生贷后违约,触发建议人工审慎审核响应,提醒人工审慎审核,并同步传递用户的风险点作为人工参考;损失风险等级的企业预测有极大概率上会发生贷后逾期违约,触发自动拒绝响应,直接拒绝其信贷申请。
Step2、模型监测
定期跟进评级过的企业的表现情况,通过监督评分分布、通过率、逾期率和客群的稳定性等指标,评估模型的预测能力的衰减。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (9)
1.一种企业信用风险评级***,其特征在于,包括用户端和服务端;所述用户端用于向服务端发起信用风险评级请求,所述服务端用于根据信息风险评级请求生成信用风险评级结果返回用户端;
所述服务端包括数据采集模块、数据处理模块和模型预测模块;
所述数据采集模块,用于根据所述信用风险评级请求采集目标企业的特征数据;
所述数据处理模块,用于对采集到的特征数据进行预处理,得到目标企业的特征画像信息;
所述模型预测模块,用于根据目标企业的特征画像信息预测所述目标企业的信用风险评级结果。
2.按照权利要求1所述的一种企业信用风险评级***,其特征在于,所述信用风险评级请求中包含有企业名称和企业识别代码,所述数据采集模块采集的目标企业特征数据包括企业营收金额、企业支出金额、企业借贷数据,以及与所述目标企业存在业务往来的多个关联企业的企业营收金额、企业支出金额、企业借贷数据;
所述数据处理模块对采集到的特征数据进行预处理包括根据企业营收金额和企业支出金额标记目标企业和关联企业的营收标签,营收标签为盈利企业或亏损企业;根据企业借贷数据标记目标企业和关联企业的负债标签,负债标签为高负债企业或低负债企业;所述目标企业的特征画像信息包括目标企业的营收标签、负债标签、以及对于关联企业的营收标签和负债标签。
3.按照权利要求2所述的一种企业信用风险评级***,其特征在于,所述模型预测模块预测所述目标企业的信用风险评级结果时,将所述目标企业的特征画像信息输入预置的风险评级模型得到信用风险评级结果,所述风险评级模型为机器学习模型。
4.按照权利要求3所述的一种企业信用风险评级***,其特征在于,所述服务端还包括模型更新模块,所述模型更新模块用于每间隔T时间对所述风险评级模型进行更新。
5.按照权利要求4所述的一种企业信用风险评级***,其特征在于,所述风险评级模型为Catboost模型,所述模型更新模块对所述风险评级模型进行更新时包括以下步骤:
步骤1、将最新的样本数据进行风险等级标记生成模型学习集数据,所述风险等级包括正常、关注、次级、可疑和损失;其中,风险等级通过贷款数据得到,正常代表历史无逾期,关注代表历史最大逾期小于30天,次级代表历史最大逾期大于30天小于60天,可疑代表历史最大逾期大于60天小于90天,损失代表历史最大逾期大于90天;每条模型学习集数据均包括样本企业的特征画像信息和风险等级;
步骤2、利用模型学习集数据通过K折交叉验证对Catboost模型进行训练,K是大于1的正整数;
步骤3、将训练完成的Catboost模型部署上线。
6.按照权利要求5所述的一种企业信用风险评级***,其特征在于,步骤2中对所述Catboost模型进行训练时,Catboost模型的输出值为概率值,其中,概率值在0—0.1对应风险等级为正常,概率值在0.11—0.2对应风险等级为关注,概率值在0.21—0.3对应风险等级为次级,概率值在0.31—0.4对应风险等级为可疑,概率值在0.41—1.0对应风险等级为损失。
7.按照权利要求5所述的一种企业信用风险评级***,其特征在于,步骤2中对所述Catboost模型进行训练时,以oblivious决策树作为基模型,oblivious树中每个叶子节点的索引被编码为长度与树深度相等的二进制矢量。
8.按照权利要求5所述的一种企业信用风险评级***,其特征在于,步骤2中对所述Catboost模型进行训练时,使用的模型评价指标为K-S统计量值,当K-S统计量值大于0.2时,输出Catboost模型。
9.按照权利要求1所述的一种企业信用风险评级***,其特征在于,所述模型预测模块还用于输出风险评分,所述风险评分=100-100*概率值,所述概率值为风险评级模型预测的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062689.7A CN113850483A (zh) | 2021-09-10 | 2021-09-10 | 一种企业信用风险评级*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062689.7A CN113850483A (zh) | 2021-09-10 | 2021-09-10 | 一种企业信用风险评级*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850483A true CN113850483A (zh) | 2021-12-28 |
Family
ID=78973598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062689.7A Withdrawn CN113850483A (zh) | 2021-09-10 | 2021-09-10 | 一种企业信用风险评级*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850483A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713249A (zh) * | 2022-10-10 | 2023-02-24 | 重庆移通学院 | 基于数据安全与隐私保护的政务满意度评价***及方法 |
-
2021
- 2021-09-10 CN CN202111062689.7A patent/CN113850483A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713249A (zh) * | 2022-10-10 | 2023-02-24 | 重庆移通学院 | 基于数据安全与隐私保护的政务满意度评价***及方法 |
CN115713249B (zh) * | 2022-10-10 | 2023-06-13 | 重庆移通学院 | 基于数据安全与隐私保护的政务满意度评价***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291816B (zh) | 针对用户分类模型进行特征处理的方法及装置 | |
US11348012B2 (en) | System and method for forming predictions using event-based sentiment analysis | |
CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的***和方法 | |
CN113095927A (zh) | 一种反洗钱可疑交易识别方法及设备 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及*** | |
CN111160959A (zh) | 一种用户点击转化预估方法及装置 | |
CN112836750A (zh) | 一种***资源分配方法、装置及设备 | |
Sun et al. | Financial distress prediction based on similarity weighted voting CBR | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN113962160A (zh) | 基于用户画像的互联网卡用户流失预测方法及*** | |
CN114187125A (zh) | 理赔案件分流方法、装置、设备及存储介质 | |
CN113850483A (zh) | 一种企业信用风险评级*** | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN113571198B (zh) | 转化率预测方法、装置、设备及存储介质 | |
CN114741515A (zh) | 基于图生成的社交网络用户属性预测方法及*** | |
CN112712270B (zh) | 信息处理方法、装置、设备及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN112613920A (zh) | 一种流失几率预测方法及装置 | |
CN112308294A (zh) | 违约概率预测方法及装置 | |
CN116050539A (zh) | 一种基于贪心算法的机器学习分类模型解释方法 | |
Xue et al. | Calibrated data-dependent constraints with exact satisfaction guarantees | |
CN118094365A (zh) | 一种交易数据处理方法和相关装置 | |
CN117726434A (zh) | 一种信用评分卡模型训练方法、应用方法及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211228 |