风控模型的超参数确定方法、装置、电子设备及存储介质与流程

摘要: 本发明涉及金融风控,特别涉及一种风控模型的超参数确定方法、装置、电子设备及存储介质。背景技术:1、近年来,互联网金融行业凭借其高效的风控优势实现了迅猛发展,其中...
风控模型的超参数确定方法、装置、电子设备及存储介质与流程

本发明涉及金融风控,特别涉及一种风控模型的超参数确定方法、装置、电子设备及存储介质。

背景技术:

1、近年来,互联网金融行业凭借其高效的风控优势实现了迅猛发展,其中机器学习模型是其风控的核心工具。在互联网金融风控建模场景中,现有机器学习模型调参方案存在以下缺陷:一方面调参环节会重复使用独立验证数据集,易引发模型过拟合,致使评估结果失真,无法客观反映模型真实泛化能力;另一方面常用的多折交叉验证手段对样本总量、少数类样本数量要求较高,在正负样本分布失衡的风控场景下,容易出现模型性能评估波动大、超参数选择可靠性不足的问题,难以兼顾无偏评估与稳定选参的建模需求。

技术实现思路

1、针对现有技术的上述问题,本发明公开提供一种风控模型的超参数确定方法、装置、电子设备及存储介质,可以在不使用验证数据参与调参优化,且无需多折拆分样本的情况下,提升模型超参数的稳定性和可信度。本发明公开的技术方案如下:

2、根据本发明公开实施例的一方面,提供一种风控模型的超参数确定方法,所述方法包括:

3、获取训练数据、测试数据和多个初始超参数组合;所述训练数据和所述测试数据为初始数据中除验证数据之外的数据;

4、基于所述测试数据,对每个初始超参数组合对应的测试风控模型进行测试,得到所述每个初始超参数组合所对应的测试风控模型的性能评估结果;所述测试风控模型基于所述训练数据对待训练风控模型训练得到;

5、基于所述每个初始超参数组合的空间密度数据,从所述多个初始超参数组合中确定第一候选超参数组合;所述空间密度数据用于表征初始超参数组合在参数空间中的分布密度;

6、在任一第一候选超参数组合中每个超参数的取值均位于相应的目标取值区间的情况下,将相应的第一候选超参数组合确定为第二候选超参数组合;在超参数的取值在相应的目标取值区间内变化的情况下,对应的每个超参数组合的性能评估结果的变化梯度均小于预设梯度阈值;

7、将所述第二候选超参数组合中性能评估结果满足预设条件的超参数组合,确定为所述待训练风控模型的目标超参数组合。

8、可选的,所述在任一第一候选超参数组合中每个超参数的取值均位于相应的目标取值区间的情况下,将相应的第一候选超参数组合确定为第二候选超参数组合包括:

9、对超参数组合中的每种超参数的取值分别进行调节,得到超参数组合的性能评估结果随每种超参数取值变化的变化梯度;

10、将变化梯度小于所述预设梯度阈值的每种超参数的取值调节区间,确定为所述每种超参数相应的目标取值区间;

11、在任一第一候选超参数组合中每个超参数的取值均位于相应的目标取值区间的情况下,将相应的第一候选超参数组合确定为所述第二候选超参数组合。

12、可选的,所述获取训练数据、测试数据和多个初始超参数组合包括:

13、获取初始数据和所述多个初始超参数组合;

14、基于时间维度,对所述初始数据进行划分,得到所述验证数据和非验证数据;

15、根据数据分布,对所述非验证数据进行划分,得到所述训练数据和所述测试数据。

16、可选的,所述基于所述每个初始超参数组合的空间密度数据,从所述多个初始超参数组合中确定第一候选超参数组合包括:

17、基于高斯核密度估计,对所述每个初始超参数组合在参数空间的分布密度进行计算,得到所述每个初始超参数组合的空间密度数据;

18、将空间密度数据大于预设密度阈值的初始超参数组合,确定为所述第一候选超参数组合。

19、可选的,所述将所述第二候选超参数组合中性能评估结果满足预设条件的超参数组合,确定为所述待训练风控模型的目标超参数组合包括:

20、将所述第二候选超参数组合中性能评估结果大于第一预设评估结果阈值的超参数组合,确定为所述待训练风控模型的目标超参数组合。

21、可选的,在将所述第二候选超参数组合中性能评估结果满足预设条件的超参数组合,确定为所述待训练风控模型的目标超参数组合之后,所述方法还包括:

22、对所述待训练风控模型进行训练,得到目标风控模型;所述目标风控模型包括所述目标超参数组合;

23、将所述验证数据输入所述目标风控模型进行风控概率预测处理,得到所述验证数据对应的预测概率数据;

24、基于所述预测概率数据与所述验证数据对应的预设概率数据之间的差异,确定所述目标风控模型对应的目标性能评估结果;

25、基于所述目标性能评估结果,确定所述目标风控模型的应用结果。

26、可选的,所述方法还包括:

27、基于数据质量和预测能力,对所述训练数据进行筛选,得到筛选后的训练数据。

28、根据本发明公开实施例的另一方面,提供一种风控模型的超参数确定装置,包括:

29、获取模块,用于获取训练数据、测试数据和多个初始超参数组合;所述训练数据和所述测试数据为初始数据中除验证数据之外的数据;

30、性能评估结果确定模块,用于基于所述测试数据,对每个初始超参数组合对应的测试风控模型进行测试,得到所述每个初始超参数组合所对应的测试风控模型的性能评估结果;所述测试风控模型基于所述训练数据对待训练风控模型训练得到;

31、第一候选超参数组合确定模块,用于基于所述每个初始超参数组合的空间密度数据,从所述多个初始超参数组合中确定第一候选超参数组合;所述空间密度数据用于表征初始超参数组合在参数空间中的分布密度;

32、第二候选超参数组合确定模块,用于在任一第一候选超参数组合中每个超参数的取值均位于相应的目标取值区间的情况下,将相应的第一候选超参数组合确定为第二候选超参数组合;在超参数的取值在相应的目标取值区间内变化的情况下,对应的每个超参数组合的性能评估结果的变化梯度均小于预设梯度阈值;

33、目标超参数组合确定模块,用于将所述第二候选超参数组合中性能评估结果满足预设条件的超参数组合,确定为所述待训练风控模型的目标超参数组合。

34、根据本发明公开实施例的另一方面,提供一种用于风控模型超参数确定的电子设备,包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述任一项所述的风控模型的超参数确定方法。

35、根据本发明公开实施例的另一方面,提供一种计算机可读存储介质,所述计算机存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述任一项所述的风控模型的超参数确定方法。

36、根据本发明公开实施例的另一方面,提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本发明公开实施例中上述任一项所述的风控模型的超参数确定方法。

37、本发明提供的风控模型的超参数确定方法,具有如下技术效果:

38、本发明获取训练数据、测试数据和多个初始超参数组合,其中,训练数据和测试数据为初始数据中除验证数据之外的数据;之后,基于测试数据,对每个初始超参数组合对应的测试风控模型进行测试,得到每个初始超参数组合所对应的测试风控模型的性能评估结果,其中,测试风控模型基于训练数据对待训练风控模型训练得到;进一步,基于每个初始超参数组合的空间密度数据,从多个初始超参数组合中确定第一候选超参数组,其中,空间密度数据用于表征初始超参数组合在参数空间中的分布密度;进而,在任一第一候选超参数组合中每个超参数的取值均位于相应的目标取值区间的情况下,将相应的第一候选超参数组合确定为第二候选超参数组合,其中,在超参数的取值在相应的目标取值区间内变化的情况下,对应的每个超参数组合的性能评估结果的变化梯度均小于预设梯度阈值;之后,将第二候选超参数组合中性能评估结果满足预设条件的超参数组合,确定为待训练风控模型的目标超参数组合。

39、由此,在不使用验证数据参与调参优化,且无需多折拆分样本的情况下,解决金融风控坏样本稀缺导致评估结果不稳定的问题,并且,通过密度筛选与梯度平坦区间双层筛选机制,提升模型超参数的稳定性和可信度。

40、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。