一种模型校准方法、装置、电子设备及计算机可读介质与流程

1.本技术涉及计算机技术领域，尤其涉及一种模型校准方法、装置、电子设备及计算机可读介质。


背景技术：

2.目前，消费金融风控场景中，评分卡技术重点关注利用大数据与机器学习模型对客群预测后，输出结果的风险排序，但对于分群建模的应用，在得到多个子模型后，通过多个子模型对各个不同客群进行风控评估后，输出的风控评估结果差异较大。
3.在实现本技术过程中，发明人发现现有技术中至少存在如下问题：
4.对于分群建模的应用，在得到多个子模型后，通过多个子模型对各个不同客群进行风控评估后，输出的风控评估结果差异较大。


技术实现要素：

5.有鉴于此，本技术实施例提供一种模型校准方法、装置、电子设备及计算机可读介质，能够解决现有的对于分群建模的应用，在得到多个子模型后，通过多个子模型对各个不同客群进行风控评估后，输出的风控评估结果差异较大的问题。
6.为实现上述目的，根据本技术实施例的一个方面，提供了一种模型校准方法，被配置成：
7.响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集；
8.对各风控评分集进行分组，以得到各第一风控评分组；
9.确定各第一风控评分组对应的坏样本率和风控评分均值；
10.根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；
11.将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
12.可选地，对各风控评分集进行分组，包括：
13.获取各风控评分集中的各风控评分对应的样本标识；
14.基于样本标识和预设的坏样本率阈值，对各风控评分进行分组。
15.可选地，对各风控评分集进行分组，包括：
16.基于预设的分组数量，对各风控评分集进行等频分组。
17.可选地，根据坏样本率对各第一风控评分组进行分组，包括：
18.对坏样本率进行聚类，以生成聚类簇；
19.根据聚类簇对第一风控评分组进行分组。
20.可选地，根据聚类簇对第一风控评分组进行分组，包括：
21.将每一个聚类簇对应的各第一风控评分组划分至同一组。
22.可选地，将各第二风控评分组对应的各风控评分均值进行拟合，包括：
23.将各第二风控评分组对应的各风控评分均值映射至预设的分数范围。
24.可选地，在对各风控评分集进行分组之前，方法还包括：
25.对各风控评分集中的风控评分进行排序，以得到排序后的各风控评分集；以及
26.对各风控评分集进行分组，包括：
27.对排序后的各风控评分集进行分组。
28.另外，本技术还提供了一种模型校准装置，被配置成：
29.获取单元，被配置成响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集；
30.第一分组单元，被配置成对各风控评分集进行分组，以得到各第一风控评分组；
31.计算单元，被配置成确定各第一风控评分组对应的坏样本率和风控评分均值；
32.第二分组单元，被配置成根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；
33.校准单元，被配置成将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
34.可选地，第一分组单元进一步被配置成：
35.获取各风控评分集中的各风控评分对应的样本标识；
36.基于样本标识和预设的坏样本率阈值，对各风控评分进行分组。
37.可选地，第一分组单元进一步被配置成：
38.基于预设的分组数量，对各风控评分集进行等频分组。
39.可选地，第二分组单元进一步被配置成：
40.对坏样本率进行聚类，以生成聚类簇；
41.根据聚类簇对第一风控评分组进行分组。
42.可选地，第二分组单元进一步被配置成：
43.将每一个聚类簇对应的各第一风控评分组划分至同一组。
44.可选地，校准单元进一步被配置成：
45.将各第二风控评分组对应的各风控评分均值映射至预设的分数范围。
46.可选地，模型校准装置还包括排序单元，被配置成：
47.对各风控评分集中的风控评分进行排序，以得到排序后的各风控评分集；以及
48.第一分组单元进一步被配置成：
49.对排序后的各风控评分集进行分组。
50.另外，本技术还提供了一种模型校准电子设备，被配置成：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上述的模型校准方法。
51.另外，本技术还提供了一种计算机可读介质，其上存储有计算机程序，程序被处理器执行时实现如上述的模型校准方法。
52.上述发明中的一个实施例具有如下优点或有益效果：本技术通过响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分
集；对各风控评分集进行分组，以得到各第一风控评分组；确定各第一风控评分组对应的坏样本率和风控评分均值；根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。先对风控评分集进行一次分组，然后根据分组后每组的坏样本率再进行非等频分组，然后对非等频分组后的分组中的风控评分进行拟合，以得到拟合数据，进而根据拟合数据得到各回归模型的模型参数。从而将得到的模型参数应用于各回归模型即可根据不同的输入数据输出在同一范围的模型结果，提高了模型的风险排序性能，提高了模型输出结果的准确性。
53.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
54.附图用于更好地理解本技术，不构成对本技术的不当限定。其中：
55.图1是根据本技术第一实施例的模型校准方法的主要流程的示意图；
56.图2是根据本技术第二实施例的模型校准方法的主要流程的示意图；
57.图3a是根据本技术实施例的模型校准方法的模型校准前的模型输出结果示意图；
58.图3b是根据本技术实施例的模型校准方法的模型校准后的模型输出结果示意图；
59.图4是根据本技术实施例的模型校准装置的主要单元的示意图；
60.图5是本技术实施例可以应用于其中的示例性系统架构图；
61.图6是适于用来实现本技术实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
62.以下结合附图对本技术的示范性实施例做出说明，其中被配置成本技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
63.图1是根据本技术第一实施例的模型校准方法的主要流程的示意图，如图1所示，模型校准方法被配置成：
64.步骤s101，响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集。
65.本技术实施例中的模型可以是两个或多个正在训练的模型，以下以两个正在训练的模型为例进行说明。本技术实施例中，进行模型校准的时候是利用的线性回归，但进行模型训练时使用的模型并不局限于线性回归模型。
66.本实施例中，模型校准方法的执行主体(例如，可以是服务器)可以通过有线连接或无线连接的方式，接收到模型输出的结果。执行主体接收到模型输出的结果并检测到该结果出现异常时，则调用校准程序以获取该结果对应的风控模型标识，例如，风控模型的编
号、名称等。进而，执行主体可以根据风控模型标识获取对应的风控评分集。风控评分集可以是风控模型标识对应的模型根据输入的客群数据，输出的每一个客户对应的风控评分所组成的集合。
67.具体地，模型输出异常，例如可以是两个模型的输出结果均为0.1，但是所表示的含义是不同的，在同一坐标系中两个模型的输出结果生成的曲线不重合且曲线差异较大，将两个模型的输出结果对应的曲线经过拟合后得到的曲线仍不能与目标分布曲线重合，则判定模型输出异常。
68.例如，两个模型针对同一样本集划分得到的两个客群进行风控分析，然而当执行主体检测到模型输出的风控分析得分所形成的曲线(例如图3a中的曲线a、d)在同一坐标系中不重合，且将形成的曲线(例如图3a中的曲线a、d)经过拟合后得到的拟合曲线(例如图3a中的曲线b)与预设的真实曲线，也就是目标分布曲线(例如图3a中的曲线c)不重合时，则执行主体可以确定模型输出异常了。可以理解的是，预设的真实曲线可以是图3中的预先标记的曲线a和曲线d拟合后的标准曲线，也就是目标分布曲线(例如图3a中的曲线c)。理想状态下，图3中的曲线b与曲线c是重合的，本技术实施例的目标就是通过训练使得每个客群数据对应的模型的输出结果达到理想状态，即风险排序性相同。
69.以图3a为例，c曲线为目标分布曲线，用于作为模型校准的参考，本技术实施例的目的是让曲线a和曲线d的拟合曲线b无限靠近曲线c。示例的，图3a中的曲线a和曲线d，曲线a和曲线d分别由模型a、模型d对客群a、客群d进行风控分析得到，曲线、模型、客群的对应关系为曲线a-模型a-客群a，曲线d-模型d-客群d，当执行主体检测到曲线a和曲线d不重合且曲线a与d的拟合曲线b与目标分布曲线c不重合且差异较大于阈值时，可以确定模型输出异常。
70.步骤s102，对各风控评分集进行分组，以得到各第一风控评分组。
71.具体地，对各风控评分集进行分组，包括：
72.获取各风控评分集中的各风控评分对应的样本标识；
73.基于样本标识和预设的坏样本率阈值，对各风控评分进行分组。
74.执行主体首先可以获取各风控评分集中的各风控评分对应的样本标识，以确定各风控评分对应的是哪些客户，样本标识具体可以是客户名称、客户的手机号等，然后，执行主体可以根据样本标识获取对应的每一个客户对应的样本评价标识，样本评价标识，例如可以是0或1，其中1可以代表信用不好的客户，0可以代表信用好的客户。执行主体可以基于样本标识和样本评价标识通过随机分组的方式，对各风控评分进行分组，但要确保每一组中的坏样本率低于预设的坏样本率阈值。其中，坏样本率为每一组中的坏样本的个数与该组中的总样本的个数的比值。预设的坏样本率可以为0.01，也可以为其他数值，本技术实施例对预设的坏样本率不做限定。
75.示例的，执行主体可以首先分10组，每次尝试加5组，最高分为50组，以此方式结合每组的坏样本率不成超过预设的坏样本率阈值来确定最终分成的组数。具体实现如下：
76.#对排序后的数据进行分组
77.g1＝[]
[0078]
g2＝[]
[0079]
for g in range(10,50,5):
[0080]
其中，g为分成的组数。
[0081]
具体地，对各风控评分集进行分组，包括：基于预设的分组数量，对各风控评分集进行等频分组。
[0082]
等频分组，例如设定要分成10组，对每一个风控评分集，分成10组，每组的风控评分的数量相同。
[0083]
具体地，在对各风控评分集进行分组之前，方法还包括：对各风控评分集中的风控评分进行排序，具体可以为递减排序或者为递增排序，以得到排序后的各风控评分集；以及对各风控评分集进行分组，包括：对排序后的各风控评分集进行分组。
[0084]
假设有训练数据x～y，经过数据分析与模型训练初步验证后将数据集划分为两个客群，分别为x1～y1和x2～y2，随后分别建立数据模型，得到对应的[model]1和[model]2。此时即得到两个风险排序性不同的子模型。得到两个性能不一致的模型之后，分别将x1～y1和x2～y2经过对应的[model]1和[model]2预测打分，得到p1和p2，随后将p1和p2进行排序，得到p11和p22。对p11和p22分组，可以是20、30或者更多的组数。
[0085]
示例的，执行主体可以执行如下操作：
[0086]
#构造生成映射数据集
[0087]
#输入:(p1,label1)；(p2,label2)
[0088]
#输出:(p11,p22)
[0089]
#***********************************
[0090]
#开始：
[0091]
#将输入数据排序
[0092]
p11＝sort(p1,label1)；p22＝sort(p2,label2)
[0093]
进而得到各风控评分集中的风控评分排序结果。
[0094]
具体可以为对每一个风控评分集中的风控评分进行排序后，对每一个风控评分集中的排序后的各风控评分进行分组。示例的，风控评分集1中的各风控评分的排序为0.6、0.5、0.4、0.3、0.2、0.1。风控评分集2中的各风控评分的排序为0.9、0.7、0.4、0.3、0.2、0.1。则执行主体对风控评分集1的分组可以为[0.6，0.5]、[0.4，0.3]、[0.2，0.1]，划分的每一个组的坏样本率分别为0、0、0。执行主体对风控评分集2的分组可以为[0.9，0.7]、[0.4，0.3]、[0.2，0.1]，划分的每一个组的坏样本率分别为0.005、0.003、0.002。
[0095]
步骤s103，确定各第一风控评分组对应的坏样本率和风控评分均值。
[0096]
执行主体在对各风控评分集进行分组，以得到各第一风控评分组之后，可以接收group函数返回的分组后每组内的坏样本率(bad rate)和风控评分均值(即p均值)。
[0097]
对步骤s103的实现如下：
[0098]
#group函数返回分组后每组内的bad rate和p均值
[0099]
_g1＝group(p11,g)
[0100]
_g2＝group(p22,g)
[0101]
g1.extend(_g1)
[0102]
g2.extend(_g2)
[0103]
#g1或g2内的数据结构[(bad rate_1,p_1),...(bad rate_n，p_n)]
[0104]
步骤s104，根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分
组。
[0105]
将各风控评分集分成的各第一风控评分组中的坏样本率(bad rate)相似的组放到同一组中，以得到新的组，即为第二风控评分组，也即得到拟合数据组。实现如下：
[0106]
#遍历g1\g2，对比bad rate，将bad rate接近(差值在一定范围内)对应的分组的p的均值组成拟合数据组(p_g1,p_g2)
[0107][0108]
其中，return data即为拟合数据组，p即为风控评分，p的均值为各第一风控评分组对应的风控评分均值，bad rate为各第一风控评分组对应的坏样本率。
[0109]
步骤s105，将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
[0110]
具体地，将各第二风控评分组对应的各风控评分均值进行拟合，包括：将各第二风控评分组对应的各风控评分均值映射至预设的分数范围。示例的，根据映射至预设的分数范围后的各第二风控评分组的评分生成如图3a中的c曲线，也就是如图3b所示，图3a中的曲线b与曲线c重合了，表明模型a和模型d的线性回归性能相同，记录此时的模型的模型参数并更新至模型中，以此来训练模型的风险排序性能。
[0111]
本实施例通过响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集；对各风控评分集进行分组，以得到各第一风控评分组；确定各第一风控评分组对应的坏样本率和风控评分均值；根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。先对风控评分集进行一次分组，然后根据分组后每组的坏样本率再进行非等频分组，然后对非等频分组后的分组中的风控评分进行拟合，以得到拟合数据，进而根据拟合数据得到各回归模型的模型参数。从而将得到的模型参数应用于各回归模型即可根据不同的输入数据输出在同一范围的模型结果，提高了模型的风险排序性能，提高了模型输出结果的准确性。
[0112]
图2是根据本技术第二实施例的模型校准方法的主要流程示意图，如图2所示，模型校准方法被配置成：
[0113]
步骤s201，响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集。
[0114]
步骤s202，对各风控评分集进行分组，以得到各第一风控评分组。
[0115]
步骤s203，确定各第一风控评分组对应的坏样本率和风控评分均值。
[0116]
步骤s204，对坏样本率进行聚类，以生成聚类簇。
[0117]
具体地，执行主体可以将相近的坏样本率聚为一类，将相近的坏样本率对应的第一风控评分组放到同一聚类簇中。
[0118]
步骤s205，根据聚类簇对第一风控评分组进行分组，以得到各第二风控评分组。
[0119]
将位于同一聚类簇的各第一风控评分组分在同一组中，已得到各第二风控评分组，这样的分组实际为非等频分组，也就是每一个第二风控评分组中的第一风控评分组的数量可以不同，当然也可以相同。从而使得每一个第二风控评分组中的各第一风控分组的坏样本率是相近的，从而有利于提高模型的风险排序性能。
[0120]
具体地，根据聚类簇对第一风控评分组进行分组，包括：将每一个聚类簇对应的各第一风控评分组划分至同一组。
[0121]
步骤s206，将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
[0122]
作为一个整体的实施例，模型校准方法具体实现如下：
[0123]
1.假设有训练数据x～y，经过数据分析与模型训练初步验证后将数据集划分为两个客群，分别为x1～y1和x2～y2，随后分别建立数据模型，得到对应的[model]1和[model]2。
[0124]
2.分别将x1～y1和x2～y2经过对应的[model]1和[model]2预测打分，得到p1和p2，随后将p1和p2进行排序，得到p11和p22。
[0125]
3.调用流程1，得到拟合数据data。
[0126]
4.训练线性回归方程，得到p2＝f(p1)映射关系(拟合线性方程p2＝f(p1)，根据线性回归决定系数r2来评估拟合效果。r2决定系数反应了y的波动有多少百分比能被x的波动所描述，即表征依变数y(例如本技术中的风控评分均值)的变异中有多少百分比，可由控制的自变数x(例如本技术中的坏样本率)来解释)。
[0127]
5.结果验证，由图3b可得，映射后的b曲线与c曲线重合。
[0128]
其中，流程1如下所示(得到拟合数据data的整体实现如下)：
[0129][0130]
示例的，图3的曲线a、d可以是根据如下方式得到的：
[0131]
执行主体根据模型的输出将样本分成10个桶，即预测为0至0.1的样本归为一个桶，预测为0.1至0.2的样本归为一个桶等等，以这10个桶作为横坐标；计算每个桶内的正样本占比作为纵坐标，以此绘制的曲线reliability diagram可用于评估。
[0132]
图4是根据本技术实施例的模型校准装置的主要单元的示意图。如图4所示，模型
校准装置400被配置成获取单元401、第一分组单元402、计算单元403、第二分组单元404和校准单元405。
[0133]
获取单元401，被配置成响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集。
[0134]
第一分组单元402，被配置成对各风控评分集进行分组，以得到各第一风控评分组。
[0135]
计算单元403，被配置成确定各第一风控评分组对应的坏样本率和风控评分均值。
[0136]
第二分组单元404，被配置成根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组。
[0137]
校准单元405，被配置成将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
[0138]
在一些实施例中，第一分组单元402进一步被配置成：获取各风控评分集中的各风控评分对应的样本标识；基于样本标识和预设的坏样本率阈值，对各风控评分进行分组。
[0139]
在一些实施例中，第一分组单元402进一步被配置成：基于预设的分组数量，对各风控评分集进行等频分组。
[0140]
在一些实施例中，第二分组单元404进一步被配置成：对坏样本率进行聚类，以生成聚类簇；根据聚类簇对第一风控评分组进行分组。
[0141]
在一些实施例中，第二分组单元404进一步被配置成：将每一个聚类簇对应的各第一风控评分组划分至同一组。
[0142]
在一些实施例中，校准单元进一步被配置成：将各第二风控评分组对应的各风控评分均值映射至预设的分数范围。
[0143]
在一些实施例中，模型校准装置还包括图4中未示出的排序单元，被配置成：对各风控评分集中的风控评分进行排序，以得到排序后的各风控评分集；以及第一分组单元进一步被配置成：对排序后的各风控评分集进行分组。
[0144]
需要说明的是，在本技术模型校准方法和模型校准装置在具体实施内容上具有相应关系，故重复内容不再说明。
[0145]
图5示出了可以应用本技术实施例的模型校准方法或模型校准装置的示例性系统架构500。
[0146]
如图5所示，系统架构500可以被配置成终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以被配置成各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0147]
用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
[0148]
终端设备501、502、503可以是具有模型校准处理屏并且支持网页浏览的各种电子设备，被配置成但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0149]
服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所检测到的模型输出的异常提供支持的后台管理服务器(仅为示例)。后台管理服务器可以
响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集；对各风控评分集进行分组，以得到各第一风控评分组；确定各第一风控评分组对应的坏样本率和风控评分均值；根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。先对风控评分集进行一次分组，然后根据分组后每组的坏样本率再进行非等频分组，然后对非等频分组后的分组中的风控评分进行拟合，以得到拟合数据，进而根据拟合数据得到各回归模型的模型参数。从而将得到的模型参数应用于各回归模型即可根据不同的输入数据输出在同一范围的模型结果，提高了模型输出结果的准确性。
[0150]
需要说明的是，本技术实施例所提供的模型校准方法一般由服务器505执行，相应地，模型校准装置一般设置于服务器505中。
[0151]
应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0152]
下面参考图6，其示出了适于用来实现本技术实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0153]
如图6所示，计算机系统600被配置成中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram)603中的程序而执行各种适当的动作和处理。在ram603中，还存储有计算机系统600操作所需的各种程序和数据。cpu601、rom602以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0154]
以下部件连接至i/o接口605：被配置成键盘、鼠标等的输入部分606；被配置成诸如阴极射线管(crt)、液晶征信授权查询处理器(lcd)等以及扬声器等的输出部分607；被配置成硬盘等的存储部分608；以及被配置成诸如lan卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
[0155]
特别地，根据本技术公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本技术公开的实施例被配置成一种计算机程序产品，其被配置成承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(cpu)601执行时，执行本技术的系统中限定的上述功能。
[0156]
需要说明的是，本技术所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以被配置成但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以被配置成但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存
储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本技术中，计算机可读的信号介质可以被配置成在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，被配置成但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，被配置成但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0157]
附图中的流程图和框图，图示了按照本技术各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0158]
描述于本技术实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器被配置成获取单元、第一分组单元、计算单元、第二分组单元和校准单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0159]
作为另一方面，本技术还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备被配置成响应于模型输出异常，调用校准程序以获取对应的风控模型标识，根据风控模型标识获取对应的风控评分集；对各风控评分集进行分组，以得到各第一风控评分组；确定各第一风控评分组对应的坏样本率和风控评分均值；根据坏样本率对各第一风控评分组进行分组，以得到各第二风控评分组；将各第二风控评分组对应的各风控评分均值进行拟合，以生成各拟合数据，进而基于各拟合数据确定风控模型标识对应的回归模型的模型参数，以根据模型参数执行对风控模型标识对应的模型的校准。
[0160]
根据本技术实施例的技术方案，通过先对风控评分集进行一次分组，然后根据分组后每组的坏样本率再进行非等频分组，然后对非等频分组后的分组中的风控评分进行拟合，以得到拟合数据，进而根据拟合数据得到各回归模型的模型参数。从而将得到的模型参数应用于各回归模型即可根据不同的输入数据输出在同一范围的模型结果，提高了模型输出结果的准确性。
[0161]
上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何
在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。