本發(fā)明涉及人工智能，尤其涉及銀行風險控制場景的特征選擇方法及裝置。

背景技術：

1、本部分旨在為權利要求書中陳述的本發(fā)明實施例提供背景或上下文。此處的描述不因為包括在本部分中就承認是現(xiàn)有技術。

2、在風險控制領域，建立準確可靠的風控模型對于金融機構具有重要意義。特征選擇是構建高效風控模型的關鍵步驟之一。通過選擇與目標變量相關性高且具有穩(wěn)定性的特征，可以提高模型的預測性能、降低過擬合風險，并增強模型的可解釋性。特征選擇可以分為以下幾個階段：

3、1.特征獲取階段：收集和獲取與業(yè)務目標相關的特征數(shù)據(jù)。特征可以來自各種來源，如原始數(shù)據(jù)集、外部數(shù)據(jù)源或領域知識。

4、2.特征預處理階段：對獲取的特征數(shù)據(jù)進行預處理和清洗。這包括處理缺失值、異常值、重復值，進行數(shù)據(jù)平滑、歸一化或標準化，以及進行特征編碼或轉換等操作。

5、3.特征選擇階段：根據(jù)特定的評估指標或算法，對預處理后的特征進行選擇。目標是從所有特征中選擇出最具有預測能力或相關性的特征子集。

6、4.特征評估階段：在這個階段，對經(jīng)過特征選擇的特征子集進行進一步評估和排序，以確定每個特征的重要性或貢獻度。這可以通過統(tǒng)計方法、機器學習算法或領域?qū)＜抑R來實現(xiàn)。

7、在傳統(tǒng)的特征選擇方法中，只考慮單一指標，無法全面評估特征質(zhì)量，篩選出的特征可能存在冗余，并且缺乏自適應性，無法根據(jù)不同場景和數(shù)據(jù)集的特點進行調(diào)整和優(yōu)化。

技術實現(xiàn)思路

1、本發(fā)明實施例提供一種銀行風險控制場景的特征選擇方法，用以提高特征選擇的準確性、靈活性，該方法包括：

2、將待分析數(shù)據(jù)集輸入預先訓練好的元學習模型，得到第一機器學習模型選擇結果；其中，元學習模型未根據(jù)歷史數(shù)據(jù)集、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標訓練得到；

3、根據(jù)待分析數(shù)據(jù)集與數(shù)據(jù)庫中歷史數(shù)據(jù)集的相似度、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標，得到第二機器學習模型選擇結果；

4、根據(jù)第一機器學習模型選擇結果、以及第二機器學習模型選擇結果，得到特征分析模型；其中，特征分析模型為從第一機器學習模型選擇結果、以及第二機器學習模型選擇結果中確定的機器學習模型；

5、采用特征分析模型對待分析數(shù)據(jù)集進行分析，得到待分析數(shù)據(jù)集的第一特征排序結果；其中，待分析數(shù)據(jù)集中包含多個特征；

6、計算待分析數(shù)據(jù)集中各特征的風險相關度、卡方值、iv值，根據(jù)待分析數(shù)據(jù)集中每個特征的風險相關度、卡方值、iv值，對每個特征進行排序，得到第二特征排序結果；

7、根據(jù)第一特征排序結果、以及第二特征排序結果，得到待分析數(shù)據(jù)集的最終特征選擇結果。

8、本發(fā)明實施例還提供一種銀行風險控制場景的特征選擇裝置，用以提高特征選擇的準確性、靈活性，該裝置包括：

9、第一模型選擇模塊，用于將待分析數(shù)據(jù)集輸入預先訓練好的元學習模型，得到第一機器學習模型選擇結果；其中，元學習模型未根據(jù)歷史數(shù)據(jù)集、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標訓練得到；

10、第二模型選擇模塊，用于根據(jù)待分析數(shù)據(jù)集與數(shù)據(jù)庫中歷史數(shù)據(jù)集的相似度、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標，得到第二機器學習模型選擇結果；

11、第三模型選擇模塊，用于根據(jù)第一機器學習模型選擇結果、以及第二機器學習模型選擇結果，得到特征分析模型；其中，特征分析模型為從第一機器學習模型選擇結果、以及第二機器學習模型選擇結果中確定的機器學習模型；

12、第一處理模塊，用于采用特征分析模型對待分析數(shù)據(jù)集進行分析，得到待分析數(shù)據(jù)集的第一特征排序結果；其中，待分析數(shù)據(jù)集中包含多個特征；

13、第二處理模塊，用于計算待分析數(shù)據(jù)集中各特征的風險相關度、卡方值、iv值，根據(jù)待分析數(shù)據(jù)集中每個特征的風險相關度、卡方值、iv值，對每個特征進行排序，得到第二特征排序結果；

14、第三處理模塊，用于根據(jù)第一特征排序結果、以及第二特征排序結果，得到待分析數(shù)據(jù)集的最終特征選擇結果。

15、本發(fā)明實施例還提供一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述銀行風險控制場景的特征選擇方法。

16、本發(fā)明實施例還提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述銀行風險控制場景的特征選擇方法。

17、本發(fā)明實施例還提供一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述銀行風險控制場景的特征選擇方法。

18、本發(fā)明實施例中，將待分析數(shù)據(jù)集輸入預先訓練好的元學習模型，得到第一機器學習模型選擇結果；其中，元學習模型未根據(jù)歷史數(shù)據(jù)集、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標訓練得到；根據(jù)待分析數(shù)據(jù)集與數(shù)據(jù)庫中歷史數(shù)據(jù)集的相似度、以及各機器學習模型針對每一歷史數(shù)據(jù)集的性能指標，得到第二機器學習模型選擇結果；根據(jù)第一機器學習模型選擇結果、以及第二機器學習模型選擇結果，得到特征分析模型；其中，特征分析模型為從第一機器學習模型選擇結果、以及第二機器學習模型選擇結果中確定的機器學習模型；采用特征分析模型對待分析數(shù)據(jù)集進行分析，得到待分析數(shù)據(jù)集的第一特征排序結果；其中，待分析數(shù)據(jù)集中包含多個特征；計算待分析數(shù)據(jù)集中各特征的風險相關度、卡方值、iv值，根據(jù)待分析數(shù)據(jù)集中每個特征的風險相關度、卡方值、iv值，對每個特征進行排序，得到第二特征排序結果；根據(jù)第一特征排序結果、以及第二特征排序結果，得到待分析數(shù)據(jù)集的最終特征選擇結果。這樣，先通過元學習模型和性能指標數(shù)據(jù)庫確定特征分析模型，提高特征分析模型選擇的準確性，然后同時考慮多指標(如風險相關度、卡方值、iv值)、以及特征分析模型選擇的結果，能夠得到更全面和綜合的特征選擇結果，提升了特征選擇的準確性、靈活性。

技術特征：

1.一種銀行風險控制場景的特征選擇方法，其特征在于，包括：

2.如權利要求1所述的銀行風險控制場景的特征選擇方法，其特征在于，還包括：

3.如權利要求2所述的銀行風險控制場景的特征選擇方法，其特征在于，第一機器學習模型選擇結果包括：元學習模型選擇的多個第一機器學習模型、以及每一第一機器學習模型對應的性能指標；第二機器學習模型選擇結果，包括：根據(jù)待分析數(shù)據(jù)集與數(shù)據(jù)庫選擇出的多個第二機器學習模型、以及每一第二機器學習模型對應的性能指標；

4.如權利要求1所述的銀行風險控制場景的特征選擇方法，其特征在于，計算待分析數(shù)據(jù)集中各特征的風險相關度，包括：

5.如權利要求1所述的銀行風險控制場景的特征選擇方法，其特征在于，第二特征排序結果，包括：待分析數(shù)據(jù)集中每個特征的風險相關度排序結果、待分析數(shù)據(jù)集中每個特征的卡方值排序結果、以及待分析數(shù)據(jù)集中每個特征的iv值排序結果；

6.一種銀行風險控制場景的特征選擇裝置，其特征在于，包括：

7.如權利要求6所述的銀行風險控制場景的特征選擇裝置，其特征在于，還包括：

8.如權利要求7所述的銀行風險控制場景的特征選擇裝置，其特征在于，第一機器學習模型選擇結果包括：元學習模型選擇的多個第一機器學習模型、以及每一第一機器學習模型對應的性能指標；第二機器學習模型選擇結果，包括：根據(jù)待分析數(shù)據(jù)集與數(shù)據(jù)庫選擇出的多個第二機器學習模型、以及每一第二機器學習模型對應的性能指標；

9.如權利要求6所述的銀行風險控制場景的特征選擇裝置，其特征在于，第二處理模塊，具體用于統(tǒng)計待分析數(shù)據(jù)集中每一特征在待分析數(shù)據(jù)集中發(fā)生風險事件的次數(shù)，得到待分析數(shù)據(jù)集中每一特征的風險率；

10.如權利要求6所述的銀行風險控制場景的特征選擇裝置，其特征在于，第二特征排序結果，包括：待分析數(shù)據(jù)集中每個特征的風險相關度排序結果、待分析數(shù)據(jù)集中每個特征的卡方值排序結果、以及待分析數(shù)據(jù)集中每個特征的iv值排序結果；

11.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1至5任一所述方法。

12.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至5任一所述方法。

13.一種計算機程序產(chǎn)品，其特征在于，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至5任一所述方法。

技術總結
本發(fā)明公開了一種銀行風險控制場景的特征選擇方法及裝置，涉及人工智能技術領域，其中該方法包括：采用特征分析模型對待分析數(shù)據(jù)集進行分析，得到待分析數(shù)據(jù)集的第一特征排序結果；其中，特征分析模型為根據(jù)銀行不同風險控制場景下的歷史數(shù)據(jù)集訓練得到，待分析數(shù)據(jù)集中包含多個特征；計算待分析數(shù)據(jù)集中各特征的風險相關度、卡方值、IV值，根據(jù)待分析數(shù)據(jù)集中每個特征的風險相關度、卡方值、IV值，對每個特征進行排序，得到第二特征排序結果；根據(jù)第一特征排序結果、以及第二特征排序結果，得到待分析數(shù)據(jù)集的最終特征選擇結果。本發(fā)明可以提高特征選擇的準確性、靈活性。

技術研發(fā)人員：陳晗,沈麗忠,林培峰,黃少斌,鄭梁
受保護的技術使用者：中國建設銀行股份有限公司
技術研發(fā)日：
技術公布日：2024/9/23