本發(fā)明涉及信用評估技術(shù)領(lǐng)域，更具體地說，涉及一種個人信用評估方法及裝置。

背景技術(shù)：

隨著人工智能的發(fā)展，計算機技術(shù)被廣泛地應(yīng)用于各種領(lǐng)域，個人信用評估問題也包含在內(nèi)。個人信用評估問題就是將貸款申請人分為還款可能性大的好客戶(信用較好)和還款可能性小的壞客戶(信用較差)，批準好客戶的貸款請求，拒絕壞客戶的貸款請求。個人信用評估問題從實質(zhì)上講就是一個分類問題，分類的精度很大程度上決定了銀行的貸款風(fēng)險大小。

現(xiàn)有技術(shù)中主要采用專家評分模型解決個人信用評估問題，具體來說，由專家基于其經(jīng)驗判斷每個貸款申請人的信用好壞，進而確定貸款請求的批準與否，但是，這種方式容易因為專家的主觀性及隨機性，導(dǎo)致分類精度較低。

綜上所述，如何提供一種分類精度較高的個人信用評估技術(shù)方案，是目前本領(lǐng)域技術(shù)人員亟待解決的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種個人信用評估方法及裝置，達到分類精度較高的目的。

為了實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種個人信用評估方法，包括：

獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括具有信用標簽及多個信用屬性的訓(xùn)練樣本，所述信用標簽為對對應(yīng)訓(xùn)練樣本的信用進行評估得到的標簽；

選取出分類效果最好的信用屬性作為最優(yōu)信用屬性并組成對應(yīng)的最優(yōu)信用屬性集，將每個訓(xùn)練樣本中包含的所述最優(yōu)信用屬性集之外的信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練樣本集；

采用支持向量機對所述最優(yōu)訓(xùn)練樣本集建模，得到支持向量機分類模型；

獲取未知信用標簽且僅具有所述最優(yōu)信用屬性的待測樣本并作為所述支持向量機分類模型的輸入，得到所述待測樣本的信用標簽。

優(yōu)選的，選取出分類效果最好的信用屬性作為最優(yōu)信用屬性，包括：

獲取與所述多個信用屬性對應(yīng)的權(quán)重向量，并對所述多個信用屬性按照所述權(quán)重向量中對應(yīng)權(quán)重由大至小進行排序；

對進行排序后的多個信用屬性，利用支持向量機分類器在所述訓(xùn)練樣本集上進行10折交叉驗證，得到所述最優(yōu)信用屬性。

優(yōu)選的，獲取與所述多個信用屬性對應(yīng)的權(quán)重向量，包括：

步驟1：將權(quán)重向量表示為wt＝[w₁，w₂，…，w_I]^T∈R^I，令t＝0且設(shè)置對應(yīng)的初始的權(quán)重向量為w⁰＝[1/I，1/I，…，1/I]^T，I為所述信用屬性的數(shù)量；

步驟2：最大化來求得權(quán)重向量w^t+1，其中：

其中，和分別是訓(xùn)練樣本x_i在與其信用標簽不同的異類樣本以及訓(xùn)練標簽相同的同類樣本中的近鄰樣本矩陣，k是先驗設(shè)置的近鄰個數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問題得到α_i：

求解下面的優(yōu)化問題得到β_i：

其中，λ為控制稀疏項稀疏程度的超參數(shù)；

步驟3：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行步驟2。

優(yōu)選的，判斷出||w^t+1-w^t||大于所述第一預(yù)設(shè)值之后，還包括：

判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行所述令t＝t+1，返回執(zhí)行步驟2的步驟。

優(yōu)選的，獲取所述訓(xùn)練樣本集之后，還包括：

對每個所述訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

i＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個訓(xùn)練樣本第j個信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

對應(yīng)的，獲取所述待測樣本之后，還包括：

對所述待測樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

其中，x_j表示所述待測樣本第j個信用屬性的屬性值。

一種個人信用評估裝置，包括：

獲取模塊，用于獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括具有信用標簽及多個信用屬性的訓(xùn)練樣本，所述信用標簽為對對應(yīng)訓(xùn)練樣本的信用進行評估得到的標簽；

選取模塊，用于選取出分類效果最好的信用屬性作為最優(yōu)信用屬性并組成對應(yīng)的最優(yōu)信用屬性集，將每個訓(xùn)練樣本中包含的所述最優(yōu)信用屬性集之外的信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練樣本集；

構(gòu)建模塊，用于采用支持向量機對所述最優(yōu)訓(xùn)練樣本集建模，得到支持向量機分類模型；

分類模塊，用于獲取未知信用標簽且僅具有所述最優(yōu)信用屬性的待測樣本并作為所述支持向量機分類模型的輸入，得到所述待測樣本的信用標簽。

優(yōu)選的，所述選取模塊包括：

選取單元，用于：獲取與所述多個信用屬性對應(yīng)的權(quán)重向量，并對所述多個信用屬性按照所述權(quán)重向量中對應(yīng)權(quán)重由大至小進行排序；對進行排序后的多個信用屬性，利用支持向量機分類器在所述訓(xùn)練樣本集上進行10折交叉驗證，得到所述最優(yōu)信用屬性。

優(yōu)選的，所述選取單元包括：

選取子單元，用于執(zhí)行以下操作：

步驟1：將權(quán)重向量表示為wt＝[w₁，w₂，…，w_I]^T∈R^I，令t＝0且設(shè)置對應(yīng)的初始的權(quán)重向量為w⁰＝[1/I，1/I，…，1/I]^T，I為所述信用屬性的數(shù)量；

步驟2：最大化來求得權(quán)重向量w^t+1，其中：

其中，和分別是訓(xùn)練樣本x_i在與其信用標簽不同的異類樣本以及訓(xùn)練標簽相同的同類樣本中的近鄰樣本矩陣，k是先驗設(shè)置的近鄰個數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問題得到α_i：

求解下面的優(yōu)化問題得到β_i：

其中，λ為控制稀疏項稀疏程度的超參數(shù)；

步驟3：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行步驟2。

優(yōu)選的，所述選取子單元還包括：

判斷子單元，用于判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行所述令t＝t+1，返回執(zhí)行步驟2的步驟。

優(yōu)選的，還包括：

標準化處理模塊，用于獲取所述訓(xùn)練樣本集之后，對每個所述訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

元＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個訓(xùn)練樣本第j個信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

以及用于獲取所述待測樣本之后，對所述待測樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

其中，x_j表示所述待測樣本第j個信用屬性的屬性值。

本發(fā)明提供了一種個人信用評估方法及裝置，其中該方法包括：獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括具有信用標簽及多個信用屬性的訓(xùn)練樣本，所述信用標簽為對對應(yīng)訓(xùn)練樣本的信用進行評估得到的標簽；選取出分類效果最好的信用屬性作為最優(yōu)信用屬性并組成對應(yīng)的最優(yōu)信用屬性集，將每個訓(xùn)練樣本中包含的所述最優(yōu)信用屬性集之外的信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練樣本集；采用支持向量機對所述最優(yōu)訓(xùn)練樣本集建模，得到支持向量機分類模型；獲取未知信用標簽且僅具有所述最優(yōu)信用屬性的待測樣本并作為所述支持向量機分類模型的輸入，得到所述待測樣本的信用標簽。本申請公開的技術(shù)方案中，首先獲取具有信用標簽及多個信用屬性的訓(xùn)練樣本，將每個訓(xùn)練樣本包含的分類效果最好的最優(yōu)信用屬性集之外的其他信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練集，進而采用支持向量機對該最優(yōu)訓(xùn)練集建模得到支持向量機分類模型，以確定未知信用標簽且僅具有所述最優(yōu)信用屬性的待測樣本的信用標簽，即確定該待測樣本的信用情況。由此，通過構(gòu)建支持向量機分類模型實現(xiàn)自動分類的方式避免了現(xiàn)有技術(shù)中因為專家的主觀性及隨機性導(dǎo)致分類精度較低的問題，且實驗證明本申請公開的上述技術(shù)方案具有較高的分類精度。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種個人信用評估方法的流程圖；

圖2為本發(fā)明實施例提供的一種個人信用評估裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

請參閱圖1，為本發(fā)明實施例提供的一種個人信用評估方法的流程圖，可以包括：

S11：獲取訓(xùn)練樣本集，訓(xùn)練樣本集包括具有信用標簽及多個信用屬性的訓(xùn)練樣本，信用標簽為對對應(yīng)訓(xùn)練樣本的信用進行評估得到的標簽。

訓(xùn)練樣本集可以表示為其中x_i∈R^I，R表示實數(shù)集，y_i∈{-1,+1}是x_i的信用標簽，表明x_i的信用類別，如：如果y_i＝1，表示的x_i信用好，如果y_i＝-1，表示的x_i信用差。N是訓(xùn)練樣本的總個數(shù)，I是訓(xùn)練樣本的維數(shù)，即訓(xùn)練樣本包含的信用屬性的個數(shù)，需要說明的是每個訓(xùn)練樣本包含的信用屬性是相同的，而對應(yīng)每個信用屬性的屬性值可能相同也可能不同；具體來說，訓(xùn)練樣本包含的信用屬性可以包括信用歷史、資金使用目的、銀行賬號狀態(tài)等，當然還可以根據(jù)實際需要進行其他設(shè)定，均在本發(fā)明的保護范圍之內(nèi)。另外，訓(xùn)練樣本集中包括多個訓(xùn)練樣本，而訓(xùn)練樣本的具體數(shù)量可以根據(jù)實際需要進行設(shè)定。

S12：選取出分類效果最好的信用屬性作為最優(yōu)信用屬性并組成對應(yīng)的最優(yōu)信用屬性集，將每個訓(xùn)練樣本中包含的最優(yōu)信用屬性集之外的信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練樣本集。

由全部信用屬性中選取出分類效果最好的最優(yōu)信用屬性組成最優(yōu)信用屬性集，從而基于該最優(yōu)信用屬性集獲得特征選取后的最優(yōu)訓(xùn)練樣本集，也即將每個訓(xùn)練樣本包含的除最優(yōu)信用屬性集之外的其他信用屬性去掉，從而得到僅僅保留有最優(yōu)信用屬性集的訓(xùn)練樣本組成的集合。

S13：采用支持向量機對最優(yōu)訓(xùn)練樣本集建模，得到支持向量機分類模型。

支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折中，以求獲得最好的推廣能力。本申請中采用支持向量機對最優(yōu)訓(xùn)練樣本集建模得到對應(yīng)的支持向量機分類模型，該模型具有較優(yōu)的分類精度。

S14：獲取未知信用標簽且僅具有最優(yōu)信用屬性的待測樣本并作為支持向量機分類模型的輸入，得到待測樣本的信用標簽。

待測樣本包括的信用屬性可以包括最優(yōu)信用屬性及其他信用屬性，而在對待測樣本進行分類時，只需將其他信用屬性去掉而僅僅保留最優(yōu)信用屬性即可。將僅包含最優(yōu)先用屬性的待測樣本輸入分類器，得到對應(yīng)的輸出即為待測樣本的信用標簽，由該信用標簽可以獲知待測樣本的信用情況，如信用好或者信用差。

本申請公開的技術(shù)方案中，首先獲取具有信用標簽及多個信用屬性的訓(xùn)練樣本，將每個訓(xùn)練樣本包含的分類效果最好的最優(yōu)信用屬性集之外的其他信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練集，進而采用支持向量機對該最優(yōu)訓(xùn)練集建模得到支持向量機分類模型，以確定未知信用標簽且僅具有最優(yōu)信用屬性的待測樣本的信用標簽，即確定該待測樣本的信用情況。由此，通過構(gòu)建支持向量機分類模型實現(xiàn)自動分類的方式避免了現(xiàn)有技術(shù)中因為專家的主觀性及隨機性導(dǎo)致分類精度較低的問題，且實驗證明本申請公開的上述技術(shù)方案具有較高的分類精度。

具體來說，本發(fā)明在German Credit數(shù)據(jù)集上進行了測試，并將該數(shù)據(jù)集的原始版本的數(shù)據(jù)經(jīng)過編輯形成了屬性權(quán)威數(shù)值型變量的版本。該數(shù)據(jù)集共有1000個樣本，每個樣本有24個信用屬性以及1個信用標簽(信用好和信用差)，其中有700個信用好的樣本和300個信用差的樣本。由中選取出訓(xùn)練樣本集，該訓(xùn)練樣本集中包含500個訓(xùn)練樣本，其中350個是信用好的訓(xùn)練樣本，其余150個樣品信用差的訓(xùn)練樣本。相應(yīng)地，有350個信用好的樣本及150個信用差的樣本作為待測樣本放入在測試樣本集中。通過本申請公開的技術(shù)方案基于訓(xùn)練樣本集構(gòu)建對應(yīng)的支持向量機分類模型，并利用該分類模型對每個待測樣本進行分類，得到其對應(yīng)的信用標簽，通過該分類模型得到的信用標簽與已知的待測樣本的信用標簽進行比對，得到對應(yīng)識別率高達76.20％，可見本申請公開的技術(shù)方案的分類精度較高。

本發(fā)明實施例提供的一種個人信用評估方法，選取出分類效果最好的信用屬性作為最優(yōu)信用屬性，可以包括：

獲取與多個信用屬性對應(yīng)的權(quán)重向量，并對多個信用屬性按照權(quán)重向量中對應(yīng)權(quán)重由大至小進行排序；

對進行排序后的多個信用屬性，利用支持向量機分類器在訓(xùn)練樣本集上進行10折交叉驗證，得到最優(yōu)信用屬性。

需要說明的是，權(quán)重向量中包括各個信用屬性的權(quán)重，且各個信用屬性的權(quán)重的總和為1，權(quán)重越大說明其對應(yīng)信用屬性越重要，因此對多個信用屬性按照權(quán)重向量中對應(yīng)權(quán)重由大至小進行排序也即對信用屬性的重要性進行排序，進而基于該排序得到最優(yōu)信用屬性，從而保證了得到的最優(yōu)信用屬性為分類效果最好的信用屬性，進一步保證了本申請公開的技術(shù)方案的分類精度。另外，對進行排序后的多個信用屬性，利用支持向量機分類器在訓(xùn)練樣本集上進行10折交叉驗證，得到最優(yōu)信用屬性具體可以包括：將訓(xùn)練樣本集利用10折交叉再次劃分為訓(xùn)練集和測試集，在訓(xùn)練集上依次選取排序好的信用屬性，并基于對應(yīng)選取的信用屬性的訓(xùn)練集采用支持向量機方法訓(xùn)練對應(yīng)的支持向量機分類器，然后利用該支持向量機分類器對測試集中的訓(xùn)練樣本進行分類，最后得到使得測試集的平均分類準確率最高的信用屬性子集即為最優(yōu)信用屬性的集合。

本發(fā)明實施例提供的一種個人信用評估方法，獲取與多個信用屬性對應(yīng)的權(quán)重向量，可以包括：

S121：將權(quán)重向量表示為w^t＝[w1,w2,…,w_I]^T∈R^I,令t＝0且設(shè)置對應(yīng)的初始的權(quán)重向量為w⁰＝「1/I，1/I，…，1/I]^T，I為信用屬性的數(shù)量。

t＝0時對應(yīng)的權(quán)重向量w⁰為初始權(quán)重向量，此時可以設(shè)置每個信用屬性的重要性相同，也即每個信用屬性的權(quán)重均為1/I，當然也可以根據(jù)實際需要進行其他分配，均在本發(fā)明的保護范圍之內(nèi)。

S122：最大化來求得權(quán)重向量w^t+1，其中：

其中，和分別是訓(xùn)練樣本x_i在與其信用標簽不同的異類樣本以及訓(xùn)練標簽相同的同類樣本中的近鄰樣本矩陣，具體來說，與訓(xùn)練樣本x_i具有不同信用標簽的訓(xùn)練樣本為其異類樣本，與訓(xùn)練樣本x_i具有相同信用標簽的訓(xùn)練樣本為其同類樣本，通過計算訓(xùn)練樣本x_i與每個異類樣本的距離，進而從中選取出k個最小的距離對應(yīng)的異類樣本組成異類樣本的近鄰樣本矩陣，同理，通過計算訓(xùn)練樣本x_i與每個同類樣本的距離，進而從中選取出k個最小的距離對應(yīng)的同類樣本組成同類樣本的近鄰樣本矩陣，其中計算的距離具體可以是歐式距離；k是先驗設(shè)置的近鄰個數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問題得到α_i：

求解下面的優(yōu)化問題得到β_i：

其中，λ為控制稀疏項稀疏程度的超參數(shù)；

S123：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行S122。

其中，第一預(yù)設(shè)值可以根據(jù)實際需要進行設(shè)定，通常需要設(shè)置的比較小，如0.01。通過上述步驟，使得每個訓(xùn)練樣本的近鄰表示盡量系數(shù)，從而避免噪聲數(shù)據(jù)對近鄰表示的影響，進一步保證了本發(fā)明公開的技術(shù)方案的分類精度。

本發(fā)明實施例提供的一種個人信用評估方法，判斷出||w^t+1-w^t||大于第一預(yù)設(shè)值之后，還可以包括：

判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行令t＝t+1，返回執(zhí)行S122的步驟。

其中第二預(yù)設(shè)值可以根據(jù)實際需要進行設(shè)定，如t＝10。如果||w^t+1-w^t||始終無法小于或等于第一預(yù)設(shè)值，那么不停重復(fù)上述步驟是沒有實質(zhì)意義的，因此，設(shè)定第二預(yù)設(shè)值，只要t達到第二預(yù)設(shè)值，則停止循環(huán)，并確定w^t+1為最終得到的權(quán)重向量，從而保證了權(quán)重向量的快速獲取。

本發(fā)明實施例提供的一種個人信用評估方法，獲取訓(xùn)練樣本集之后，還可以包括：

對每個訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

i＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個訓(xùn)練樣本第j個信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

對應(yīng)的，獲取待測樣本之后，還包括：

對待測樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

其中，x_j表示待測樣本第j個信用屬性的屬性值。

通過上述處理，能夠使得訓(xùn)練樣本及待測樣本對應(yīng)的信用屬性的屬性值均處于一定的范圍內(nèi)，進而便于實現(xiàn)后續(xù)的步驟，加速了分類器的構(gòu)建及基于分類器實現(xiàn)的分類。

本發(fā)明實施例還提供了一種個人信用評估裝置，如圖2所示，可以包括：

獲取模塊11，用于獲取訓(xùn)練樣本集，訓(xùn)練樣本集包括具有信用標簽及多個信用屬性的訓(xùn)練樣本，信用標簽為對對應(yīng)訓(xùn)練樣本的信用進行評估得到的標簽；

選取模塊12，用于選取出分類效果最好的信用屬性作為最優(yōu)信用屬性并組成對應(yīng)的最優(yōu)信用屬性集，將每個訓(xùn)練樣本中包含的最優(yōu)信用屬性集之外的信用屬性去掉，得到對應(yīng)的最優(yōu)訓(xùn)練樣本集；

構(gòu)建模塊13，用于采用支持向量機對最優(yōu)訓(xùn)練樣本集建模，得到支持向量機分類模型；

分類模塊14，用于獲取未知信用標簽且僅具有最優(yōu)信用屬性的待測樣本并作為支持向量機分類模型的輸入，得到待測樣本的信用標簽。

本發(fā)明實施例提供的一種個人信用評估裝置，選取模塊可以包括：

選取單元，用于：獲取與多個信用屬性對應(yīng)的權(quán)重向量，并對多個信用屬性按照權(quán)重向量中對應(yīng)權(quán)重由大至小進行排序；對進行排序后的多個信用屬性，利用支持向量機分類器在訓(xùn)練樣本集上進行10折交叉驗證，得到最優(yōu)信用屬性。

本發(fā)明實施例提供的一種個人信用評估裝置，選取單元可以包括：

選取子單元，用于執(zhí)行以下操作：

步驟1：將權(quán)重向量表示為w^t＝[w₁，w₂，…，w_I]^T∈R^I，令t＝0且設(shè)置對應(yīng)的初始的權(quán)重向量為w⁰＝[1/I,1/I,…,1/I]^T,I為信用屬性的數(shù)量；

步驟2：最大化來求得權(quán)重向量w^t+1，其中：

其中，和分別是訓(xùn)練樣本x_i在與其信用標簽不同的異類樣本以及訓(xùn)練標簽相同的同類樣本中的近鄰樣本矩陣，k是先驗設(shè)置的近鄰個數(shù)，N為訓(xùn)練樣本的數(shù)量；

求解下面的優(yōu)化問題得到α_i：

求解下面的優(yōu)化問題得到β_i：

其中，λ為控制稀疏項稀疏程度的超參數(shù)；

步驟3：判斷||w^t+1-w^t||是否小于或等于第一預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則令t＝t+1，返回執(zhí)行步驟2。

本發(fā)明實施例提供的一種個人信用評估裝置，選取子單元還可以包括：

判斷子單元，用于判斷t是否等于第二預(yù)設(shè)值，如果是，則確定w^t+1為最終得到的權(quán)重向量，如果否，則執(zhí)行令t＝t+1，返回執(zhí)行步驟2的步驟。

本發(fā)明實施例提供的一種個人信用評估裝置，還可以包括：

標準化處理模塊，用于獲取訓(xùn)練樣本集之后，對每個訓(xùn)練樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

i＝1，…，N，

j＝1，…，I，

其中，x_ij表示第i個訓(xùn)練樣本第j個信用屬性的屬性值，表示所有訓(xùn)練樣本中信用屬性j的最大值，表示所有訓(xùn)練樣本中信用屬性j的最小值；

以及用于獲取待測樣本之后，對待測樣本按照下列轉(zhuǎn)換函數(shù)進行離差標準化處理：

其中，x_j表示待測樣本第j個信用屬性的屬性值。

本發(fā)明實施例提供的一種個人信用評估裝置中相關(guān)部分的說明請參見本發(fā)明實施例提供的一種個人信用評估方法中對應(yīng)部分的詳細說明，在此不再贅述。

對所公開的實施例的上述說明，使本領(lǐng)域技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領(lǐng)域技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。