样本评估方法、装置、存储介质及电子装置与流程

1.本发明涉及金融风险评估技术领域，具体而言，涉及一种样本评估方法、装置、存储介质及电子装置。


背景技术：

2.金融风险评估是一种通过构建模型对信贷客户的违约风险进行预测，评估信贷客户违约概率的技术。金融借贷机构根据信贷客户的违约概率判断信贷客户为好客户还是坏客户，从而决定是否接受信贷客户的贷款申请。在评估信贷客户的违约概率时，金融借贷机构只能对有贷后表现的信贷客户(known good bad，kgb)进行风险评估，对于没有贷后表现的信贷客户(referred good bad，rgb)，通常通过拒绝推断来推断其贷后表现。
3.目前，业内拒绝推断的方法有三种：第一种是下探法，即随机接受一部分rgb的贷款申请，从而获得rgb的贷后表现，但由于rgb的违约风险较高，因此下探法的成本很高。第二种是重分类法，即通过第三方机构数据获取rgb的贷款信息从而做出合理推断，但由于其他机构通常不会将客户的贷款信息对外提供，因此重分类法的实现难度很高。第三种是重新打包法，即使用模型预测rgb的违约概率，但用于预测违约概率的损失函数为交叉熵损失函数，该函数认为一类错误和二类错误的成本是相同的，由于拒绝推断的主要目的是通过权衡通过率和坏账率，获得投资回报率(return on investment，roi)的提升，因此该损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低。


技术实现要素：

4.本发明实施例提供了一种样本评估方法、装置、存储介质及电子装置，以至少解决相关技术的损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低的技术问题。
5.根据本发明其中一实施例，提供了一种样本评估方法，该方法包括：
6.获取第一信贷业务的第一样本和第二样本，其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本；从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征，其中，第一特征包括训练样本中每个样本的贷款数据；获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；通过第二模型对第二样本进行评估。
7.可选地，获取第一信贷业务的第一样本和第二样本包括：获取第一时间范围内的第一样本和第二样本，其中，不同的信贷业务对应不同的时间范围，第一信贷业务对应第一时间范围。
8.可选地，从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征包括：根据第一样本中每个样本的贷款时间，将贷款时间在第一预设时间范围内的样本选取为训练样本；根据第一特征筛选方法对训练样本进行特征筛选，得到第一特征，其中，第一特征筛选方法包括根据信息价值iv、群体稳定性指标spi和缺失率进行筛选以及采用提升
阈值下置入量的方法进行筛选。
9.可选地，贷款数据包括每个样本的贷款时间、贷款项目和还款记录。
10.可选地，根据第一特征调整第一模型的损失函数，得到第二模型包括：根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异，其中，一类错误为将好客户误判为坏客户，二类错误为将坏客户误判为好客户；根据成本差异调整损失函数的权重，得到第二模型。
11.可选地，通过第二模型对第二样本进行评估包括：通过第二模型对第二样本的违约概率进行评估。
12.可选地，该方法还包括：从第一样本中选取验证样本，其中，验证样本的贷款时间不在第一预设时间范围内；通过第二模型对验证样本的投资回报率roi进行评估。
13.根据本发明其中一实施例，还提供了一种样本评估装置，包括：
14.获取模块，获取模块用于获取第一信贷业务的第一样本和第二样本，其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本；特征模块，特征模块用于从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征，其中，第一特征包括训练样本中每个样本的贷款数据；优化模块，优化模块用于获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；评估模块，评估模块用于通过第二模型对第二样本进行评估。
15.可选地，获取模块还用于获取第一信贷业务的第一样本和第二样本包括：获取第一时间范围内的第一样本和第二样本，其中，不同的信贷业务对应不同的时间范围，第一信贷业务对应第一时间范围。
16.可选地，特征模块还用于从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征包括：根据第一样本中每个样本的贷款时间，将贷款时间在第一预设时间范围内的样本选取为训练样本；根据第一特征筛选方法对训练样本进行特征筛选，得到第一特征，其中，第一特征筛选方法包括根据信息价值iv、群体稳定性指标spi和缺失率进行筛选以及采用提升阈值下置入量的方法进行筛选。
17.可选地，贷款数据包括每个样本的贷款时间、贷款项目和还款记录。
18.可选地，优化模块还用于根据第一特征调整第一模型的损失函数，得到第二模型包括：根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异，其中，一类错误为将好客户误判为坏客户，二类错误为将坏客户误判为好客户；根据成本差异调整损失函数的权重，得到第二模型。
19.可选地，评估模块还用于通过第二模型对第二样本的违约概率进行评估。
20.可选地，特征模块还用于从第一样本中选取验证样本，其中，验证样本的贷款时间不在第一预设时间范围内；评估模块还用于通过第二模型对验证样本的投资回报率roi进行评估。
21.根据本发明其中一实施例，还提供了一种非易失性存储介质，非易失性存储介质中存储有计算机程序，其中，计算机程序被设置为在计算机或处理器上运行时，执行上述任一项中的样本评估方法。
22.根据本发明其中一实施例，还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项中的样本评估方
法。
23.在本发明实施例中，获取第一信贷业务的有贷后表现的第一样本和没有贷后表现的第二样本，从第一样本中选取训练样本，对训练样本进行特征筛选，得到包括训练样本中每个样本的贷款数据的第一特征。再获取第一模型，根据第一特征调整第一模型的损失函数，得到对第一模型进行优化后的第二模型，通过第二模型对第二样本进行评估。采用上述方法，通过考虑一类错误与二类错误的成本差异，使得调整后的损失函数能够与信贷业务更匹配，提高了通过第二模型对第二样本进行违约概率评估的准确性，同时降低了二类错误的发生的概率，提高了信贷业务的投资回报率，进而解决了相关技术的损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低的技术问题。
附图说明
24.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
25.图1是根据本发明其中一实施例的样本评估方法的流程图；
26.图2是根据本发明其中一实施例的样本评估装置的结构框图。
具体实施方式
27.为了便于理解，示例性地给出了部分与本发明实施例相关概念的说明以供参考。
28.如下所示：
29.贷后表现：放款后对信贷客户还款与否以及还款时间的评估，只有放款后才能拿到贷后表现，未放款则拿不到。
30.拒绝推断(reject inference)：对没有贷后表现的信贷客户推断其贷后表现，从而降低风控决策模型中的幸存者偏差，提高信贷业务收益。可以理解为回捞，即从被拒绝的客户(rgb)中捞回部分相对优质的客户。
31.有贷后表现的申请者(known good bad，kgb)：通过贷前风控并借款成功，有贷后表现的信贷客户。
32.没有贷后表现的申请者(referred good bad，rgb)：被贷前风控拒绝的信贷客户，未借款成功，没有贷后表现的信贷客户样本。
33.一类错误：将好用户误判为坏用户。
34.二类错误：将坏用户误判为好用户。
35.投资回报率(return on investment，roi)：投资回报率＝净利润/投资成本。
36.通过率：指在模型中被判断为好人的人占人群总数的比例。
37.坏账率：指在被判断为好人的人群中，坏人所占的比例，也即坏账额占总赊销总额的比率。坏账是指不能够收回的应收账款。
38.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。
39.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
40.根据本发明其中一实施例，提供了一种样本评估方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
41.该方法实施例可以在包含存储器和处理器的电子装置、类似的控制装置或者系统中执行。以电子装置为例，电子装置可以包括一个或多个处理器和用于存储数据的存储器。可选地，上述电子装置还可以包括用于通信功能的通信设备以及显示设备。本领域普通技术人员可以理解，上述结构描述仅为示意，其并不对上述电子装置的结构造成限定。例如，电子装置还可包括比上述结构描述更多或者更少的组件，或者具有与上述结构描述不同的配置。
42.处理器可以包括一个或多个处理单元。例如：处理器可以包括中央处理器(central processing unit，cpu)、图形处理器(graphics processing unit，gpu)、数字信号处理(digital signal processing，dsp)芯片、微处理器(microcontroller unit，mcu)、可编程逻辑器件(field－programmable gate array，fpga)、神经网络处理器(neural-network processing unit，npu)、张量处理器(tensor processing unit，tpu)、人工智能(artificial intelligent，ai)类型处理器等的处理装置。其中，不同的处理单元可以是独立的部件，也可以集成在一个或多个处理器中。在一些实例中，电子装置也可以包括一个或多个处理器。
43.存储器可用于存储计算机程序，例如存储本发明实施例中的样本评估方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而实现上述的样本评估方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
44.通信设备用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，通信设备包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，通信设备可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
45.显示设备可以例如触摸屏式的液晶显示器(liquid crystal display，lcd)和触摸显示器(也被称为“触摸屏”或“触摸显示屏”)。该液晶显示器可使得用户能够与移动终端
的用户界面进行交互。在一些实施例中，上述移动终端具有图形用户界面(graphical user interface，gui)，用户可以通过触摸触敏表面上的手指接触和/或手势来与gui进行人机交互，此处的人机交互功能可选的包括如下交互：创建网页、绘图、文字处理、制作电子文档、游戏、视频会议、即时通信、收发电子邮件、通话界面、播放数字视频、播放数字音乐和/或网络浏览等、用于执行上述人机交互功能的可执行指令被配置/存储在一个或多个处理器可执行的计算机程序产品或可读存储介质中。
46.在本实施例中提供了一种运行于电子装置的样本评估方法，图1是根据本发明其中一实施例的样本评估方法的流程图，如图1所示，该流程包括如下步骤：
47.步骤s101、获取第一信贷业务的第一样本和第二样本。
48.其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本。
49.获取第一信贷业务的信贷客户，根据是否有贷后表现，将该信贷客户分为有贷后表现的第一样本(kgb)和没有贷后表现的第二样本(rgb)。第一样本和第二样本均可以包括多个样本，即包括多个信贷客户。
50.步骤s102、从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征。
51.其中，第一特征包括训练样本中每个样本的贷款数据，贷款数据包括每个样本的贷款时间、贷款项目和还款记录等数据。训练样本用于通过对该训练样本的贷款数据进行分析，从而确定出优化后的损失函数和模型。
52.步骤s103、获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型。
53.其中，第一模型为现有技术中预测rgb的违约概率的模型，可以理解为信贷风控模型，第一模型常用的算法有逻辑回归和xgboost，这两种算法都支持自定义损失函数。逻辑回归的默认损失函数为交叉熵损失函数，由于现有的第一模型使用的交叉熵损失函数认为一类错误和二类错误的成本是相同的，与信贷业务的匹配度低，因此根据第一特征对第一模型的损失函数进行调整，得到第二模型。第二模型可以理解为优化后的第一模型，第二模型的损失函数能够更好地匹配信贷业务，使得通过第二模型预测的rgb违约概率的准确性更高，降低了二类错误的发生的概率，从而提升信贷业务的roi。
54.步骤s104、通过第二模型对第二样本进行评估。
55.通过对现有的损失函数进行调整，得到的优化后的第二模型，通过第二模型对第二样本进行评估，能够使评估更加准确，提高预测rgb违约概率的准确性。
56.通过上述步骤，获取第一信贷业务的有贷后表现的第一样本和没有贷后表现的第二样本，从第一样本中选取训练样本，对训练样本进行特征筛选，得到包括训练样本中每个样本的贷款数据的第一特征。再获取第一模型，根据第一特征调整第一模型的损失函数，得到对第一模型进行优化后的第二模型，通过第二模型对第二样本进行评估。采用上述方法，通过考虑一类错误与二类错误的成本差异，使得调整后的损失函数能够与信贷业务更匹配，提高了通过第二模型对第二样本进行违约概率评估的准确性，同时降低了二类错误的发生的概率，提高了信贷业务的投资回报率，进而解决了相关技术的损失函数与信贷业务的匹配度低，导致得到的投资回报率较低，以及通过拒绝推断预测违约概率的准确性低的技术问题。
57.可选地，在步骤s101中，获取第一信贷业务的第一样本和第二样本可以包括以下执行步骤：
58.步骤s101a、获取第一时间范围内的第一样本和第二样本。
59.其中，不同的信贷业务对应不同的时间范围，第一信贷业务对应第一时间范围。
60.示例性的，第一信贷业务为一个12期的信贷业务，则对应的第一时间范围可以为近两年内，因此获取到的第一样本和第二样本为近两年内第一信贷业务的贷款客户。根据不同的信贷业务选择不同的时间范围，从而提高得到的第二模型的准确度与稳定性。
61.可选地，在步骤s102中，从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征可以包括以下执行步骤：
62.步骤s102a、根据第一样本中每个样本的贷款时间，将贷款时间在第一预设时间范围内的样本选取为训练样本。
63.示例性的，第一预设时间范围内的样本可以为在近期时间范围之外的样本，例如两个月之前的样本。根据第一样本中每个样本的贷款时间，将贷款时间在两个月之前的样本选取为训练样本。
64.步骤s102b、根据第一特征筛选方法对训练样本进行特征筛选，得到第一特征。
65.其中，第一特征筛选方法包括根据信息价值(information value，iv)、群体稳定性指标(population stability index，psi)和缺失率进行筛选以及采用提升阈值下置入量(lift阈值下置入量)的方法进行筛选。
66.通过第一特征筛选方法对训练样本进行特征筛选，得到训练样本中每个样本的贷款时间、贷款项目和还款记录等数据，即得到第一特征，从而提高得到的第二模型的准确度与稳定性，保证在控制风险水平的前提下增大通过率。
67.可选地，在步骤s103中，获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型可以包括以下执行步骤：
68.步骤s103a、根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异。
69.其中，一类错误为将好客户误判为坏客户，二类错误为将坏客户误判为好客户。
70.由于一类错误和二类错误的成本不同，不同的信贷业务所对应的一类错误和二类错误的成本也不同，因此根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异。
71.示例性的，假设根据第一特征确定出第一信贷业务中通过一个坏用户带来的损失为全部本金，通过一个好用户带来的收益为20％的本金，即可以得出，发生二类错误损失的成本是发生一类错误损失的成本的5倍。
72.步骤s103b、根据成本差异调整损失函数的权重，得到第二模型。
73.信贷风控模型的服务对象是风控业务，模型的首要目标和策略是在相同风险水平下提高收益。现有的模型的损失函数是交叉熵损失函数，形式为：
[0074][0075]
该损失函数认为一类错误和二类错误的成本是一样的，但实际业务中，从rgb中通过一个坏客户带来的损失会远大于拒绝一个好客户带来的损失，即二类错误的成本远大于
一类错误的成本，且拒绝推断的目的是在不增加坏账率的前提下增加通过率，或者在不降低通过率的情况下降低坏账率，因此需要对现有的损失函数进一步优化。
[0076]
示例性的，假设第一信贷业务中通过一个坏用户带来的损失为全部本金，通过一个好用户带来的收益为20％的本金，得到w＝0.83，w1＝0.17，即发生二类错误损失的成本是发生一类错误损失的成本的5倍，因此应该尽可能的避免二类错误的发生。为了突出这一特性，将损失函数调整为：
[0077][0078]
其中，n为样本总量，即从第一样本(kgb)中选取的训练样本的样本总量；yi为第i个样本的样本标签，样本标签为0表示好人(好客户)，样本标签为1表示坏人(坏客户)；pi表示预测的违约概率，w为损失函数的权重，损失函数的权重可以根据信贷业务的一类错误和二类错误的成本来确定。
[0079]
将上述举例得到的权重w代入调整后的损失函数，可以确定出第一信贷业务的调整后的损失函数为：
[0080][0081]
即第二模型的损失函数为l2，第二模型可以理解成对第一模型优化后的模型。
[0082]
可选地，在步骤s104中，通过第二模型对第二样本进行评估可以包括以下执行步骤：
[0083]
步骤s104a、通过第二模型对第二样本的违约概率进行评估。
[0084]
第二模型的损失函数会增加相应权重从而减少二类错误的发生，通过第二模型对rgb的违约概率进行评估，能够得到更为准确的违约概率，进而提升第一信贷业务的roi。
[0085]
可选地，该流程还包括以下执行步骤：
[0086]
步骤s105、从第一样本中选取验证样本。
[0087]
其中，验证样本的贷款时间不在第一预设时间范围内。
[0088]
示例性的，第一预设时间范围内的样本可以为在近期时间范围之外的样本，例如两个月之前的样本，那么验证样本即为第一样本中贷款时间在两个月之内的样本。
[0089]
步骤s106、通过第二模型对验证样本的投资回报率roi进行评估。
[0090]
其中，roi＝总收益/总投资成本，总收益的计算可以用通过好客户带来的利息收入减去通过坏客户的本金损失来近似估算，总成本为替换使用新模型所需的成本。通过第二模型对验证样本的roi进行评估，可以明显的看出第二模型的优化效果，即roi的提升效果。
[0091]
综上，本发明通过融入业务理解，针对现有拒绝推断(回捞)的损失函数(交叉熵损失函数)做出优化，通过权衡实际信贷业务中一类错误二类错误带来的成本损失，并将其融入到损失函数中，实现roi最大化。
[0092]
此外，本发明也可以通过先使用传统建模方法训练模型，再用业务指标训练策略的方式进行，此处不过多赘述。
[0093]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施
例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0094]
在本实施例中还提供了一种样本评估装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0095]
图2是根据本发明其中一实施例的样本评估装置的结构框图，如图2所示，以样本评估装置200进行示例，该装置包括：获取模块201，用于获取第一信贷业务的第一样本和第二样本，其中，第一样本为有贷后表现的样本，第二样本为没有贷后表现的样本；特征模块202，用于从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征，其中，第一特征包括训练样本中每个样本的贷款数据；优化模块203，用于获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；评估模块204，用于通过第二模型对第二样本进行评估。
[0096]
可选地，获取模块201还用于获取第一信贷业务的第一样本和第二样本包括：获取第一时间范围内的第一样本和第二样本，其中，不同的信贷业务对应不同的时间范围，第一信贷业务对应第一时间范围。
[0097]
可选地，特征模块202还用于从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征包括：根据第一样本中每个样本的贷款时间，将贷款时间在第一预设时间范围内的样本选取为训练样本；根据第一特征筛选方法对训练样本进行特征筛选，得到第一特征，其中，第一特征筛选方法包括根据信息价值iv、群体稳定性指标spi和缺失率进行筛选以及采用提升阈值下置入量的方法进行筛选。
[0098]
可选地，贷款数据包括每个样本的贷款时间、贷款项目和还款记录。
[0099]
可选地，优化模块203还用于根据第一特征调整第一模型的损失函数，得到第二模型包括：根据第一特征确定第一信贷业务的一类错误和二类错误的成本差异，其中，一类错误为将好客户误判为坏客户，二类错误为将坏客户误判为好客户；根据成本差异调整损失函数的权重，得到第二模型。
[0100]
可选地，评估模块204还用于通过第二模型对第二样本的违约概率进行评估。
[0101]
可选地，特征模块202还用于从第一样本中选取验证样本，其中，验证样本的贷款时间不在第一预设时间范围内；评估模块204还用于通过第二模型对验证样本的投资回报率roi进行评估。
[0102]
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0103]
本发明的实施例还提供了一种非易失性存储介质，该非易失性存储介质中存储有计算机程序，其中，该计算机程序被设置为在计算机或处理器上运行时，执行上述任一项方法实施例中的步骤。
[0104]
可选地，在本实施例中，上述非易失性存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0105]
步骤s1、获取第一信贷业务的第一样本和第二样本；
[0106]
步骤s2、从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征；
[0107]
步骤s3、获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；
[0108]
步骤s4、通过第二模型对第二样本进行评估。
[0109]
可选地，在本实施例中，上述非易失性存储介质可以包括但不限于：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
[0110]
本发明的实施例还提供了一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
[0111]
可选地，在本实施例中，上述电子装置中的处理器可以被设置为运行计算机程序以执行以下步骤：
[0112]
步骤s1、获取第一信贷业务的第一样本和第二样本；
[0113]
步骤s2、从第一样本中选取训练样本，对训练样本进行特征筛选，得到第一特征；
[0114]
步骤s3、获取第一模型，根据第一特征调整第一模型的损失函数，得到第二模型；
[0115]
步骤s4、通过第二模型对第二样本进行评估。
[0116]
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
[0117]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0118]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0119]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0120]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0121]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0122]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括：u盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0123]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。