基于决策树的还款能力预测方法、装置、设备和存储介质与流程

技术特征：
1.一种基于决策树的还款能力预测方法，其特征在于，所述方法包括：根据已构建的决策树中节点的节点特征，从未知待预测用户的目标用户信息集合中提取目标用户信息作为目标特征信息，以组成与各个已构建的决策树分别对应的目标特征信息集合，其中，所述目标特征信息集合包括用户基本信息、资产信息、风险信息、负债信息、消费行为信息中的至少一种，不同的决策树对应不同的还款能力分类且决策树中节点的节点特征为对还款能力分类具有贡献的用户信息特征；分别将每组所述目标特征信息集合中的目标特征信息输入至对应的决策树中，以获得在每个所述决策树中的目标决策路径，所述目标决策路径包括多个第一节点；根据所述决策树中第一节点的信息增益，计算对应目标决策路径的第一指标结果；根据不同还款能力分类的决策树对应的第一指标结果，确定所述未知待预测用户的实际还款能力。2.根据权利要求1所述的方法，其特征在于，在所述根据已构建的决策树中节点的节点特征，从未知待预测用户的目标用户信息集合中提取目标用户信息作为目标特征信息，以组成与各个已构建的决策树分别对应的目标特征信息集合之前，所述方法还包括：获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括已知还款能力的样本用户及对应的样本用户信息集合；基于决策树生成算法以及所述训练样本集，采用信息增益准则和递归的方式从所述训练样本集中选择各个节点对应的样本用户信息加工为节点特征，以构建所述训练样本集对应的决策树；将所述决策树中根据节点对应的样本用户信息计算得到的信息增益作为所述节点的信息增益。3.根据权利要求1或2所述的方法，其特征在于，在所述根据不同还款能力分类的决策树对应的第一指标结果，确定所述未知待预测用户的实际还款能力之前，所述方法还包括：从所述已知还款能力的样本用户的样本用户信息集合中提取样本用户信息作为样本特征信息，以组成与各个已构建的决策树分别对应的样本特征信息集合，分别将每组所述样本特征信息集合中的样本特征信息输入至对应的决策树中，以获得在每个所述决策树中的样本决策路径，所述样本决策路径包括多个第二节点，根据所述样本决策树中第二节点的信息增益，计算对应样本决策路径的第二指标结果；所述根据不同还款能力分类的决策树对应的第一指标结果，确定所述未知待预测用户的实际还款能力，包括：根据所述未知待预测用户对应的第一指标结果与所述样本用户对应的第二指标结果，计算所述未知待预测用户与所述样本用户对应的欧式距离；根据欧式距离最短的前预设数量的参考样本用户的已知还款能力，预测所述未知待预测用户的实际还款能力，其中，所述参考样本用户属于样本用户，或，将所述未知待预测用户的实际还款能力确定为欧式距离最短的样本用户所对应的已知还款能力。4.根据权利要求3所述的方法，其特征在于，所述根据所述未知待预测用户对应的第一
指标结果与所述样本用户对应的第二指标结果，计算所述未知待预测用户与所述样本用户对应的欧式距离，包括：将所述未知待预测用户对应的第一指标结果按照预设规则组成第一向量；将所述样本用户对应的第二指标结果按照所述预设规则组成第二向量；分别计算所述第一向量与各个所述第二向量的欧式距离。5.根据权利要求3所述的方法，其特征在于，所述根据欧式距离最短的前预设数量的参考样本用户的已知还款能力，预测所述未知待预测用户的实际还款能力，包括：获取欧式距离最近的前预设数量的参考样本用户中每个参考样本用户的已知还款能力；按照已知还款能力对所述参考样本用户进行分类和数量统计；依据多数表决原则，将所述未知待预测用户的实际还款能力确定为统计数量最多的参考样本用户所对应的已知还款能力。6.根据权利要求3所述的方法，其特征在于，所述第一指标结果为对应目标决策路径中第一节点的信息增益的乘积；所述第二指标结果为对应样本决策路径中第二节点的信息增益的乘积。7.根据权利要求2所述的方法，其特征在于，所述根据已构建的决策树中节点的节点特征，从未知待预测用户的目标用户信息集合中提取目标用户信息作为目标特征信息，以组成与各个已构建的决策树分别对应的目标特征信息集合，包括：获取各个已构建的决策树中每个节点的节点特征；从未知待预测用户的目标用户信息集合中提取出与所述节点特征对应的目标用户信息作为目标特征信息，以组成对应决策树的目标特征信息集合。8.一种基于决策树的还款能力预测装置，其特征在于，所述装置包括：第一特征信息提取模块，用于根据已构建的决策树中节点的节点特征，从未知待预测用户的目标用户信息集合中提取目标用户信息作为目标特征信息，以组成与各个已构建的决策树分别对应的目标特征信息集合，其中，所述目标特征信息集合包括用户基本信息、资产信息、风险信息、负债信息、消费行为信息中的至少一种，不同的决策树对应不同的还款能力分类且决策树中节点的节点特征为对还款能力分类具有贡献的用户信息特征；第一决策模块，用于分别将每组所述目标特征信息集合中的目标特征信息输入至对应的决策树中，以获得在每个所述决策树中的目标决策路径，所述目标决策路径包括多个第一节点；第一计算模块，用于根据所述决策树中第一节点的信息增益，计算对应目标决策路径的第一指标结果；判定模块，用于根据不同还款能力分类的决策树对应的第一指标结果，确定所述未知待预测用户的实际还款能力。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时执行如权利要求1
‑
7任一项所述的基于决策树的还款能力预测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时，使得所述处理器执行如权利要求1
‑
7任一
项所述的基于决策树的还款能力预测方法的步骤。

技术总结
本申请涉及人工智能技术，提出了一种基于决策树的还款能力预测方法、装置、设备和存储介质，该方法包括：根据未知待预测用户的目标用户信息集合组成与各个已构建的决策树分别对应的目标特征信息集合；分别将目标特征信息输入至决策树中，以获得每个决策树的目标决策路径；根据决策树中节点的信息增益，计算目标决策路径的第一指标结果；根据不同还款能力分类的决策树的第一指标结果，确定未知待预测用户的实际还款能力。本申请提高了复杂、多维度数据分析问题的准确度，减少了简单的维度堆砌来笼统的评估用户还款能力导致还款能力评估的偏移，也减小了因遗漏有效维度对用户还款能力评估正确性的影响，使得还款能力评估更加准确。确。确。


技术研发人员：谢峥
受保护的技术使用者：平安国际智慧城市科技股份有限公司
技术研发日：2021.08.12
技术公布日：2021/11/8