CN111815435A - 一种群体风险特征的可视化方法、装置、设备及存储介质 - Google Patents
一种群体风险特征的可视化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111815435A CN111815435A CN202010674704.2A CN202010674704A CN111815435A CN 111815435 A CN111815435 A CN 111815435A CN 202010674704 A CN202010674704 A CN 202010674704A CN 111815435 A CN111815435 A CN 111815435A
- Authority
- CN
- China
- Prior art keywords
- sample
- sample parameter
- parameter
- value
- contribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000007794 visualization technique Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000010586 diagram Methods 0.000 claims description 25
- 230000003993 interaction Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 238000011217 control strategy Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种群体风险特征的可视化方法、装置、设备及存储介质。该方法包括：获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；基于预设算法分别确定各个样本参数的目标特征贡献值；基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；将所述群体贡献信息转换为可视化文本或者图形，并进行展示。以对各模型输入数据对预测结果的影响进行可视化。
Description
技术领域
本发明实施例涉及金融风控技术领域，尤其涉及一种群体风险特征的可视化方法、装置、设备及存储介质。
背景技术
在金融风控领域，我们通常需要做大量的数据分析工作才能获知客户群体的风险特征，现有的技术方案多是通过建立风控模型，对于风控模型的预测结果做出相应的风控策略，而在风控模型训练的过程中通常会根据特征在特定的评价函数中的增益情况来构造切分节点，其训练得到的模型结构天生带有某种特征重要性信息。
然而，目前通过风控模型仅能获知风控模型的预测结果，无法了解输入参数对预测结果的影响。
发明内容
本发明提供一种群体风险特征的可视化方法、装置、设备及存储介质，
第一方面，本发明实施例提供了一种群体风险特征的可视化方法，包括：
获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；
基于预设算法分别确定各个样本参数的目标特征贡献值；
基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
第二方面，本发明实施例还提供了一种感知群体风险特征的装置，该装置包括：数据获取模块，用于获取多组样本数据，基于预先设置的风控模型对所述样本数据进行预测，得到所述样本数据中个样本参数的初始特征贡献值；
贡献值确定模块，用于基于预设算法分别确定各个样本参数的目标特征贡献值；
信息确定模块，用于基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
信息展示模块，用于将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例提供的群体风险特征的可视化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例提供的群体风险特征的可视化方法。
本发明通过获取多组样本数据，基于预先设置的风控模型对所述样本数据进行预测，得到所述样本数据中个样本参数的初始特征贡献值，基于预设算法分别确定各个样本参数的目标特征贡献值，基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息，将所述群体贡献信息转换为可视化文本或者图形，并进行展示。以对各模型输入数据对预测结果的影响进行可视化。
附图说明
图1是本发明实施例一提供的群体风险特征的可视化方法的流程图；
图2是本发明实施例一提供的确定样本参数目标特征贡献值的结构图；
图3是本发明实施例二提供的群体风险特征的可视化方法的流程图；
图4是本发明实施例二提供的各个样本参数风险排序的示例图；
图5是本发明实施例二提供的各个样本参数影响价值的示例图；
图6是本发明实施例二提供的当前样本参数目标特征贡献值的示例图；
图7是本发明实施例二提供的各个样本参数间交互作用的示例图；
图8是本发明实施例三提供的群体风险特征的可视化方法的流程图；
图9是本发明实施例四提供的群体风险特征的可视化装置的结构示意图；
图10是本发明实施例五中的设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的群体风险特征的可视化方法的流程图，本实施例可适用于对群体风险特征进行处理的情况，该方法可以由群体风险特征处理的装置来执行，该群体风险特征处理的装置可以采用软件和/或硬件的方式实现。如图1所示，该方法具体包括：
S110、获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值。
在本实施例中，多组样本数据为预先设置的风控模型的输入样本数据；预先设置的风控模型可以是但不限于已经训练好的神经网络模型、逻辑回归模型和Boosting树模型；本实施例对风控模型的具体类型不加以限制。
在风控模型中输入样本参数进行预测并获取预测结果，其中，预测结果为样本的欺诈概率，基于各个样本的欺诈概率进行计算获得样本数据中各个样本参数的初始特征贡献值；其中，各个样本参数的初始特征贡献值为样本数据中各个样本参数在对当前的预测结果产生影响的重要性，可选的，样本参数的初始特征贡献值包括单一样本参数的初始特征贡献值和任意样本参数组合的初始特征贡献值。
具体的，如图2所示树形图代表某一用户x0的模型预测情况，每个节点代表一个样本特征组合，而每条边代表样本特征的初始特征贡献，即两个连接节点的预测之间的差距可以归因于样本附加特征的影响。假设当用户没有任何样本特征表征时，其欺诈概率为0.5；当加上Age样本特征时，预测到他的欺诈概率为0.4，其余样本特征组合类似。这意味着知道x0的年龄会使预测降低0.01。因此，Age样本特征相对于无任何样本特征的情况下带来的初始贡献值为-0.01。风控模型是通过样本数据训练得到，其中，样本数据的获取可以采用大数据引擎采集得到，以对用户的交易数据进行欺诈预测为例，样本数据可以是用户的交易数据，例如交易数据可以包括但不限于用户首次授信距今小时数、设备风险等级、订单总金额、7天内用户当前下单设备关联账户数、校区交易欺诈风险等级、3天内账户关联APP端设备数、30天内用户当前下单设备关联账户数、用户风险等级、用户交易前1天登陆过的设备数和客户之前没有过人工审核通过的记录等。样本数据的获取过程可以是通过业务流程画像、行为埋点、聚合关联信息、设备行为画像、团伙识别画像、APP画像、短信画像、网爬天眼查、获取网贷账单和接收外部输入数据等方式获取。进一步的，基于获取样本数据对应的已产生的交易行为建立已标记欺诈标签或正常标签，通过上述样本数据和对应的标签对风控模型进行预测，得到具有预测功能的风控模型。S120、基于预设算法分别确定各个样本参数的目标特征贡献值。
在本实施例中，样本参数的目标特征贡献值为目标样本参数的在样本中的影响程度。在一些实施例中，预设算法可以是SHAP(SHapley Additive exPlanation，夏普利加法解释算法)算法，目标特征贡献值可以基于SHAP算法计算得到的各样本参数的SHAP值。由于每个样本参数对预测结果的影响不局限于样本参数本身对预测结果的影响，还包括该样本参数与其他样本参数组合对预测结果的影响，本实施例中，通过当前样本参数的初始特征贡献值和包括当前样本参数的样本参数组合的初始特征贡献值计算得到当前样本参数的目标特征贡献值。
具体的，基于预设算法分别确定各个样本参数的目标特征贡献值包括：基于当前样本参数，分别确定当前样本参数和包括当前样本参数的样本参数组合的权重；并基于权重，对当前样本参数的初始特征贡献值和包括当前样本参数的样本参数组合的初始特征贡献值进行加权计算，得到当前样本参数的目标特征贡献值。其中，当前样本参数和包括当前样本参数的样本参数组合的权重是通过预设规则以及当前样本参数或者样本参数组合中参数数量进行确定的。具体的，预设规则包括权重和为1、相同样本参数数量的样本参数组合的权重相同，各个同一样本参数数量的样本参数组合的权重和相同。
S130、基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息。
在本实施例中，样本参数的群体贡献信息为所有样本参数在风控模型中共同做出的贡献信息。由样本参数的群体贡献信息可以确定风控模型中具有重要影响的样本参数或样本参数组合、样本参数或样本参数组合在此基础上的影响价值和影响程度以及任意样本组合之间的相互影响。具体的，群体贡献信息包括：各个样本参数的群体贡献值、各个样本参数的影响价值和任意组合的样本参数之间的交互作用中的至少一项。通过获取样本参数的群体贡献信息，可以实现将样本参数可视化图展示在前端页面，为风控分析人员提供决策辅助。其中，各个样本参数的群体贡献值为当前样本参数在样本参数组合中的全局重要性；各个样本参数的影响价值为当前样本参数在样本参数组合中的全局重要性基础上的影响价值及影响程度；任意组合的样本参数之间的交互作用为当前样本参数与当前样本参数之外的任意样本参数之间的相互影响作用。
S140、将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
在本实施例中，将群体贡献信息转换为可视化文本或者图形，包括：将各个参数的群体贡献值进行排序，生成各样本参数的风险排序列表或者风险排序图；或者，基于各样本参数的目标特征贡献值，形成目标特征贡献值的分布状态散点图，其中，散点图用于表示样本参数的影响价值；或者，将当前样本参数的目标特征贡献值与除当前样本参数以外的至少一个样本参数的目标特征贡献值，在同一散点图中区别显示，形成交互散点图。
本发明实施例提供的群体风险特征的可视化方法，通过对多组样本数据进行模型预测，得到各个样本参数的初始特征贡献值，依据预设算法确定各个样本参数的目标特征贡献值，基于各个样本参数的目标特征贡献值来确定样本参数的群体贡献信息，并将群体贡献信息通过对群体贡献值进行排序生成风险排序列表，对当前样本参数的目标特征贡献值生成分布状态散点图以及对将当前样本参数的目标特征贡献值与除当前样本参数以外的至少一个样本参数的目标特征贡献值之间形成交互散点图中至少一种形式转换为可视化文本或者图形进行展示。通过获取样本参数的群体贡献信息，可以实现样本参数可视化图展示在前端页面，为风控分析人员提供决策辅助。
实施例二
图3为本发明实施例二提供的群体风险特征的可视化方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图3所示，所述方法包括：
S210、获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值。
S220、基于预设算法分别确定各个样本参数的目标特征贡献值。
具体的，获得Age对预测模型的目标特征贡献值，有必要考虑Age在所有节点中的初始特征贡献信息。具体的，计算Age样本特征的权重可以通过预设规则以及Age样本特征在所有样本特征组合中的数量进行确定的。其中预设规则包括但不限制于：(1)对于每一个f(样本特征组合中的样本个数)，同一“行”上所有权重的和应该等于任何其他“行”上所有权重的和，例如图2中w1＝w2+w3＝w4，其中，默认每行中的每个样本参数组合中参数数量是相同的，即各个同一样本参数数量的样本参数组合的权重和相同；(2)对于每一个f，同一“行”上的所有“边”的权重是相等的，例如图2中w2＝w3，即相同样本参数数量的样本参数组合的权重相同；(3)所有权重相加总和为1，例如图2中w1+w2+w3+w4＝1。因此，根据上述示例中列式，可以确定每个样本参数的初始特征贡献值的权重分别为w1＝1/3，w2＝1/6，w3＝1/6，w4＝1/3。权重还可以通过如下方式确定，权重w的倒数与f(样本特征组合中的样本个数)和F(样本特征总数)之间“边”的数量相等，具体的可以表示为：
所以，基于Age样本特征的初始特征值以及Age样本特征的权重，根据计算公式：
SHAPAge(x0)＝w1×MCAge,{Age}(x0)+
w2×MCAge,{Age,Gender}(x0)+
w3×MCAge,{Age,Job}(x0)+
w4×MCAge,{Age,Gender,Job}(x0)
计算用户x0针对Age样本特征目标特征值的表达式为：
其中，MCAge,{Age}(x0)为模型中样本参数Age的初始特征贡献值，MCAge,{Age,Gender}(x0)为模型中样本参数Age和Gender形成的样本参数组合的初始特征贡献值，MCAge,{Age,Job}(x0)为模型中样本参数Age和Job形成的样本参数组合的初始特征贡献值，MCAge,{Age,Gender,Job}(x0)为模型中样本参数Age、Gender和Job形成的样本参数组合的初始特征贡献值。由此，可以确定Age样本特征目标特征值为-0.1133。并相应计算得到Gender样本特征目标特征值为-0.0233，Job样本特征目标特征值为+0.4666。将三个样本特征的目标特征贡献值加起来等于0.33，这恰好是三个特征作用输出0.83与没有任何特征作用的输出0.5之差，代表着三个样本特征一起作用的贡献。
扩展性的，可以将公式表达为：
其中，|set|为特征节点的分裂次数，F为特征数量，Predictset(x)为样本参数组合的初始特征贡献值，Predictset\feature(x)]为上一级除去该特征的样本参数组合的初始特征贡献值。
需要说明的是上述实施例只作为可选实施例，实际上确定权重以及目标特征贡献值的计算方法可以根据具体的需要进行设置。
S230、基于所述多组样本数据中各个样本参数的群体贡献值各个样本参数的影响价值和任意组合的样本参数之间的交互作用中的至少一项确定所述样本参数的群体贡献信息。
在本实施例中，基于各样本参数的群体贡献值确定样本参数的群体贡献信息包括：对于任一样本参数，通过对各个样本数据中样本参数的目标特征贡献值进行绝对值均值处理，得到样本参数的群体贡献值。其中，群体贡献值为当前样本参数在样本参数组合中的全局重要性。通过群体贡献值确定风控模型中具有重要影响的单一样本参数或样本参数组合。
如图4所示，以“用户首次授信距今小时数”为例，获取各个样本的“用户首次授信距今小时数”对应的目标特征贡献值的集合，对所有目标特征贡献值进行绝对值处理，然后对绝对值处理后的目标特征贡献值集合进行均值处理，得到最终的目标特征贡献值，并依次对设备风险等级、订单总金额、7天内用户当前下单设备关联账户数、校区交易欺诈风险等级、3天内账户关联APP端设备数、30天内用户当前下单设备关联账户数、用户风险等级、用户交易前1天登陆过的设备数和客户之前没有过人工审核通过的记录等所有样本参数进行绝对值均值处理，以得到各个样本参数的目标特征贡献值，从而得到所有样本参数的群体贡献信息，以确定各个样本参数在样本参数组合中的全局重要性。
可选的，基于多组样本数据中各个样本参数的影响价值确定样本参数的群体贡献信息。具体的，各样本参数的影响价值包括正向影响价值和负向影响价值；其中，对于任一样本参数，通过统计各个样本数据中样本参数的目标特征贡献值，确定样本参数的目标特征贡献值的分布状态；基于分布状态确定样本参数的影响价信息。各个样本参数的影响价值为当前样本参数在样本参数组合中的全局重要性基础上的影响价值及影响程度。通过各个样本参数的影响价值确定样本参数或样本参数组合在此基础上的影响价值和影响程度。
如图5所示，获取各个样本中“用户首次授信距今小时数”对应的目标特征贡献值，并确定各个样本中“用户首次授信距今小时数”对应的目标特征贡献值为正值或者负值。当各个样本参数中“用户首次授信距今小时数”对应的目标特征值为正值时，样本参数中“用户首次授信距今小时数”对样本参数的群体贡献信息有正向影响；当各个样本参数中“用户首次授信距今小时数”对应的目标特征值为负值时，样本参数中“用户首次授信距今小时数”对样本参数的群体贡献信息有负向影响。其中，当“用户首次授信距今小时数”样本参数本身绝对值数值越大时，对样本参数的群体贡献信息影响越大。
可选的，若当前样本参数的影响价值同时包括正向影响价值和负向影响价值，则基于当前样本参数的目标特征贡献值的分布状态与除当前样本参数以外的至少一个样本参数的目标特征贡献值的分布状态，确定样本参数之间的交互作用。任意组合的样本参数之间的交互作用为当前样本参数与除当前样本参数之外的任意样本参数之间的相互影响作用。
如图6所示，以“用户首次授信距今小时数”为例，相同的样本参数会存在不同的目标特征贡献值的情况，该现象主要由当前样本参数与其他样本参数之间的复杂相互作用导致。例如以“订单总金额”作为第三方影响因子对图6进行着色，如图7所示，我们可以看到同样在“用户首次授信距今小时数”为0的附近的高峰，较高的目标特征贡献值往往伴随着高的订单金额，而峰条底部即目标特征贡献值较低的样本对应的订单金额一般较低，说明了订单金额与用户首次授信距今小时数具有很强的相互作用。
S240、将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
在本实施例中，将各个参数的群体贡献值进行排序，生成各样本参数的风险排序列表或者风险排序图；具体的，获取各个样本数据中样本参数的目标特征贡献值，并对所有目标特征贡献值进行排序，可以确定样本参数的群体贡献信息，即样本参数的全局重要性。如图4所示，以各个样本参数为纵坐标，以各个样本参数对应的目标特征贡献值的绝对值均值为横坐标，对获取最终的各个样本参数对应的目标特征贡献值进行排序，可知“用户授信距今小时数”在模型中具有最重要的影响，其次是“设备风险等级“和“订单总金额”，然后其余样本参数依次后排，最终得到所有样本参数的群体贡献值。
可选的，可以通过基于各个样本参数的目标特征贡献值，形成目标特征贡献值的分布状态散点图，其中，散点图用于表示样本参数的影响价值；具体的，如图5所示，纵轴为各个样本参数，横轴为样本参数对应的目标特征贡献值，右边的颜色柱子代表特征本身的值的大小，图中的每一个点是一个样本数据(为了方便显示，各样本点可重叠覆盖)。以“用户首次授信距今小时数”为例，在“用户首次授信距今小时数”为0的附近其对应样本参数的目标特征贡献值绝大部分为正值且呈高峰聚集状，说明在该样本参数对应的目标特征下欺诈风险较高，即若学生用户在授信完后一小时内进行现金交易，那么该笔交易的欺诈风险较高。同时从图5中还可以得到：“用户首次授信距今小时数”较小时，对欺诈具有正向影响(即“新用户”的欺诈可能性大于“老用户”)、“设备风险等级”高对欺诈具有正向影响、“订单总金额”高对欺诈具有正向影响、“7天内用户当前下单设备关联账户数”多，对欺诈具有正向影响、“校区交易欺诈风险等级”高，对欺诈具有正向影响、“3天内账户关联APP端设备数”多，对欺诈有正向影响、“30天内用户当前下单设备关联账户数”多，对欺诈具有正向影响、“用户风险等级”高，对欺诈具有正向影响、“用户交易前1天登陆过的设备数”多，对欺诈有正向影响和客户之前没有过人工审核通过的记录，对欺诈有正向影响等包括但不限于上述影响价值。
可选的，可以将当前样本参数的目标特征贡献值与除当前样本参数以外的至少一个样本参数的目标特征贡献值，在同一散点图中区别显示，形成交互散点图。
具体的，如图6所描述的样本参数中“用户首次授信距今小时数”与样本参数对应的目标特征值之间的关系，其中，纵轴为样本参数对应的目标特征贡献值，横轴为样本参数本身数值。发现同样在“用户首次授信距今小时数”为0的附近，但该样本参数对应的目标特征贡献值之间存在差距，该现象主要由当前样本参数与其他样本参数之间的复杂相互作用导致。例如以“订单总金额”作为第三方影响因子对图6进行着色，如图7所示，纵轴为样本参数对应的目标特征贡献值，横轴为样本参数本身数值，右边的颜色柱代表样本参数本身值的大小，可以看出同样在“用户首次授信距今小时数”为0的附近的高峰，较高的目标特征贡献值往往伴随着高的订单金额，而峰条底部即目标特征贡献值较低的样本对应的订单金额一般较低，说明了订单金额与用户首次授信距今小时数具有很强的相互作用。
本发明实施例提供的群体风险特征的可视化方法，通过对多组样本数据进行模型预测，得到各个样本参数的初始特征贡献值，依据预设算法确定各个样本参数的目标特征贡献值，基于各个样本参数的目标特征贡献值确定各个样本参数的群体贡献信息，各个样本参数的影响价值和任意组合的样本参数之间的交互作用中至少一项来确定样本参数的群体贡献信息，并将群体贡献信息转换为可视化文本或者图形进行展示。解决了风控模型无法解释获取群体风险特征的难题，实现了群体风险特征可视化。
实施例三
图8为本发明实施例三提供的群体风险特征的可视化方法的流程图，本实施例在上述实施例的基础上进行进一步地优化。如图8所示，所述方法包括：
S310、获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值。
S320、基于预设算法分别确定各个样本参数的目标特征贡献值。
S330、基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息。
S340、将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
S350、基于所述样本参数的群体贡献信息生成推荐风控策略。
在本实施例中，基于样本参数的群体贡献信息，自动化推荐风控策略，以便于用户快速获知风险点，快速部署风控决策。
可选的，可以基于样本参数的群体贡献信息，对样本参数的目标特征贡献信息进行标签设置，标签等级可以分为高风险、中风险和低风险。根据对应的标签等级可以推荐相应的风控策略，例如，当确定标签为高风险时，风控策略可以是对在用户交易过程中进行行为限制，在用户界面提示“您的行为异常，请稍后重试”，且将自动订单流转到人工订单，提示业务人员介入复核调查；当确定标签为中风险时，风控策略可以是在用户交易过程中，根据样本参数特征显示对应的提示，并对订单交易进行延迟；当确定标签为低风险时，风控策略可以是在用户交易过程中，根据样本参数特征显示对应的提示，交易会正常进行。
可选的，当生成各样本参数的风险排序列表或者风险排序图，可以根据预设排名对样本参数的目标特征贡献值进行标签设置，例如，当目标特征贡献值排名在1％-30％时，则该目标特征贡献值对应的样本参数可以设置为高风险；当目标特征贡献值排名在中间31％-70％时，则该目标特征贡献值对应的样本参数可以设置为中风险；当目标特征贡献值排名在71％-100％时，则该目标特征贡献值对应的样本参数可以设置为低风险。
可选的，在确定样本参数的影响价值为正向价值或者负向价值之后，当样本参数的影响价值为正向影响且价值大于预设的价值阈值时，将此时样本参数设置为高风险；当样本参数的影响价值为正且价值小于预设的价值阈值，或者当样本参数的影响价值为负向影响，且价值大于预设的价值阈值时，将此时样本参数设置为中风险；当样本参数的影响价值为负向影响且价值小于预设的价值阈值时，将此时样本参数设置为低风险。
可选的，若当前样本参数的影响价值同时包括正向影响价值和负向影响价值，则基于当前样本参数的目标特征贡献值的分布状态与除当前样本参数以外的至少一个样本参数的目标特征贡献值的分布状态，确定样本参数之间的交互作用，根据交互作用下的可视化文本或者图形具体确定样本参数的风险数值。
可选的，当获取到样本参数的风险标签后，可以向前端自动推送风控策略，做出风控决策调整。示例性的，当订单类型在样本参数中排名在90％确认标签为低风险，则仅在交易过程中业务人员的审核系统会显示“该用户首次授信距今小时数较短，存在一定风险，请审慎复核”，交易正常进行；当用户首次授信距今小时数在500小时确认标签为中风险，则在交易过程中业务人员的审核系统会显示“该用户首次授信距今小时数较短，存在一定风险，请审慎复核”，并冻结用户账户十五分钟之后自行解冻，用户可以继续交易；当用户首次授信距今小时数<＝1&订单总金额>＝2500确认标签为高风险，则在用户交易过程中对用户行为进行限制，在用户界面提示“您的行为异常，请稍后重试”，且将自动订单流转到人工订单，业务人员介入复核调查。
本发明实施例提供的群体风险特征的可视化方法，通过对多组样本数据进行模型预测，得到各个样本参数的初始特征贡献值，依据预设算法确定各个样本参数的目标特征贡献值，基于各个样本参数的目标特征贡献值确定样本参数的群体贡献信息，基于样本参数的群体贡献信息将样本参数确定不同标签，从而生成不同的推荐风控策略。帮助风控分析人员快速获知风险点，快速部署风控决策，简化策略分析流程，提升风控效率。
实施例四
图9是本发明实施例四提供的群体风险特征的可视化装置的结构示意图。如图9所示，所述装置包括：
数据获取模块410，用于获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值。
贡献值确定模块420，用于基于预设算法分别确定各个样本参数的目标特征贡献值。
信息确定模块430，用于基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息。
信息展示模块440，用于将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
可选的，数据获取模块420包括：
权重值确定单元，用于对于当前样本参数，分别确定所述当前样本参数和包括所述当前样本参数的样本参数组合的权重；
所述分别确定所述当前样本参数和包括所述当前样本参数的样本参数组合的权重，包括：
基于预设规则，以及当前样本参数或者样本参数组合中参数数量确定各所述当前样本参数和包括所述当前样本参数的样本参数组合的权重；
其中，所述预设规则包括权重和为1、相同样本参数数量的样本参数组合的权重相同，各个同一样本参数数量的样本参数组合的权重和相同；
贡献值确定单元，用于基于所述权重，对所述当前样本参数的初始特征贡献值和包括所述当前样本参数的样本参数组合的初始特征贡献值进行加权计算，得到所述当前样本参数的目标特征贡献值。
可选的，所述样本参数的初始特征贡献值包括单一样本参数的初始特征贡献值和任意样本参数组合的初始特征贡献值。
可选的，所述样本参数的群体贡献信息包括如下至少一项：各样本参数的群体贡献值、各样本参数的影响价值和任意组合的样本参数之间的交互作用。
可选的，信息确定模块430包括：
第一贡献信息确定单元，用于对于任一样本参数，对各个样本数据中所述样本参数的目标特征贡献值进行绝对值均值处理，得到所述样本参数的群体贡献值；
第二贡献信息确定单元，用于对于任一样本参数，统计各个样本数据中所述样本参数的目标特征贡献值，确实所述样本参数的目标特征贡献值的分布状态；基于所述分布状态确定所述样本参数的影响价值；
第三贡献信息确定单元，用于若当前样本参数的影响价值同时包括正向影响价值和负向影响价值，则基于当前样本参数的目标特征贡献值的分布状态与除所述当前样本参数以外的至少一个样本参数的目标特征贡献值的分布状态，确定样本参数之间的交互作用。
可选的，信息展示模块440包括：
第一信息展示单元，用于将各个参数的群体贡献值进行排序，生成各样本参数的风险排序列表或者风险排序图；
第二信息展示单元，用于基于各所述样本参数的目标特征贡献值，形成目标特征贡献值的分布状态散点图，其中，所述散点图用于表示所述样本参数的影响价值；
第三信息展示单元,用于将所述当前样本参数的目标特征贡献值与所述除所述当前样本参数以外的至少一个样本参数的目标特征贡献值，在同一散点图中区别显示，形成交互散点图。
本发明实施例提供的群体风险特征的可视化装置，通过对多组样本数据进行模型预测，得到各个样本参数的初始特征贡献值，依据预设算法确定各个样本参数的目标特征贡献值，基于各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息，并将群体贡献信息转换为可视化文本或者图形进行展示。解决了风控模型无法解释获取群体风险特征的难题，实现了群体风险特征可视化。
实施例五
图10是本发明实施例五中的设备的结构示意图。图10示出了适于用来实现本发明实施方式的示例性设备512的框图。图10显示的设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，设备512以通用计算设备的形式表现。设备512的组件可以包括但不限于：一个或者多个处理器或者处理单元516，系统存储器528，连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图10未显示，通常称为“硬盘驱动器”)。尽管图10中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该设备512交互的设备通信，和/或与使得该设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与设备512的其它模块通信。应当明白，尽管图8中未示出，可以结合设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的群体风险特征的可视化方法，该方法包括：
获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；
基于预设算法分别确定各个样本参数的目标特征贡献值；
基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的群体风险特征的可视化方法，该方法包括：
获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；
基于预设算法分别确定各个样本参数的目标特征贡献值；
基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。计算机可读存储介质例如可以是——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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的信号介质可以包括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，包括但不限于电磁信号、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，包括——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。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种群体风险特征的可视化方法，其特征在于，包括：
获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；
基于预设算法分别确定各个样本参数的目标特征贡献值；
基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
2.根据权利要求1所述的群体风险特征的可视化方法，其特征在于，样本参数的初始特征贡献值包括单一样本参数的初始特征贡献值和任意样本参数组合的初始特征贡献值；
所述基于预设算法分别确定各个样本参数的目标特征贡献值，包括：
对于当前样本参数，分别确定所述当前样本参数和包括所述当前样本参数的样本参数组合的权重；
基于所述权重，对所述当前样本参数的初始特征贡献值和包括所述当前样本参数的样本参数组合的初始特征贡献值进行加权计算，得到所述当前样本参数的目标特征贡献值。
3.根据权利要求2所述的方法，其特征在于，所述分别确定所述当前样本参数和包括所述当前样本参数的样本参数组合的权重，包括：
基于预设规则，以及当前样本参数或者样本参数组合中参数数量确定各所述当前样本参数和包括所述当前样本参数的样本参数组合的权重；
其中，所述预设规则包括权重和为1、相同样本参数数量的样本参数组合的权重相同，各个同一样本参数数量的样本参数组合的权重和相同。
4.根据权利要求1所述的群体风险特征的可视化方法，其特征在于，所述样本参数的群体贡献信息包括：各个样本参数的群体贡献值、各个样本参数的影响价值和任意组合的样本参数之间的交互作用中的至少一项。
5.根据权利要求4所述的群体风险特征的可视化方法，其特征在于，所述基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息，包括：
对于任一样本参数，对各个样本数据中所述样本参数的目标特征贡献值进行绝对值均值处理，得到所述样本参数的群体贡献值。
6.根据权利要求4所述的方法，其特征在于，所述各样本参数的影响价值包括正向影响价值和负向影响价值；
所述基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息，包括：
对于任一样本参数，统计各个样本数据中所述样本参数的目标特征贡献值，确定所述样本参数的目标特征贡献值的分布状态；
基于所述分布状态确定所述样本参数的影响价值。
7.根据权利要求6所述的方法，其特征在于，所述基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息，包括：
若当前样本参数的影响价值同时包括正向影响价值和负向影响价值，则基于当前样本参数的目标特征贡献值的分布状态与除所述当前样本参数以外的至少一个样本参数的目标特征贡献值的分布状态，确定样本参数之间的交互作用。
8.根据权利要求5-7任一所述的方法，其特征在于，所述将所述群体贡献信息转换为可视化文本或者图形，包括：
将各个参数的群体贡献值进行排序，生成各样本参数的风险排序列表或者风险排序图；或者，
基于所述各个样本参数的目标特征贡献值，形成目标特征贡献值的分布状态散点图，其中，所述散点图用于表示所述各个样本参数的影响价值；或者，
将所述当前样本参数的目标特征贡献值与所述除所述当前样本参数以外的至少一个样本参数的目标特征贡献值，在同一散点图中区别显示，形成交互散点图。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述样本参数的群体贡献信息生成推荐风控策略。
10.一种感知群体风险特征的装置，其特征在于，包括：
数据获取模块，用于获取多组样本数据，基于预先设置的风控模型对至少一个样本参数形成的组合进行预测，基于对各样本参数的组合的预测结果得到所述各个样本数据的组合的初始特征贡献值；
贡献值确定模块，用于基于预设算法分别确定各个样本参数的目标特征贡献值；
信息确定模块，用于基于所述多组样本数据中各个样本参数的目标特征贡献值确定所述样本参数的群体贡献信息；
信息展示模块，用于将所述群体贡献信息转换为可视化文本或者图形，并进行展示。
11.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的群体风险特征的可视化方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-9中任一所述的群体风险特征的可视化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010674704.2A CN111815435A (zh) | 2020-07-14 | 2020-07-14 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010674704.2A CN111815435A (zh) | 2020-07-14 | 2020-07-14 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111815435A true CN111815435A (zh) | 2020-10-23 |
Family
ID=72843390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010674704.2A Pending CN111815435A (zh) | 2020-07-14 | 2020-07-14 | 一种群体风险特征的可视化方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111815435A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113822384A (zh) * | 2021-11-23 | 2021-12-21 | 深圳市裕展精密科技有限公司 | 数据分析方法、装置、计算机设备、存储介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472802A (zh) * | 2018-05-09 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种数据特征评估方法、装置及设备 |
| CN110766040A (zh) * | 2019-09-03 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 用于对交易风险数据进行风险聚类的方法及装置 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111400366A (zh) * | 2020-02-27 | 2020-07-10 | 西安交通大学 | 一种基于CatBoost模型的交互式门诊量预测可视分析方法及系统 |
-
2020
- 2020-07-14 CN CN202010674704.2A patent/CN111815435A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472802A (zh) * | 2018-05-09 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种数据特征评估方法、装置及设备 |
| CN110766040A (zh) * | 2019-09-03 | 2020-02-07 | 阿里巴巴集团控股有限公司 | 用于对交易风险数据进行风险聚类的方法及装置 |
| CN111144718A (zh) * | 2019-12-12 | 2020-05-12 | 支付宝(杭州)信息技术有限公司 | 基于私有数据保护的风险决策方法、装置、系统及设备 |
| CN111400366A (zh) * | 2020-02-27 | 2020-07-10 | 西安交通大学 | 一种基于CatBoost模型的交互式门诊量预测可视分析方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| ECNU_FRC_NEW: "机器学习模型的解释-SHAP", pages 1 - 5, Retrieved from the Internet <URL:https://blog.csdn.net/weixin_41851055/article/details/106146098> * |
| 李桎梏: "SHAP知识点全汇总", pages 1 - 9, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/85791430?utm_source=wechat_timeline> * |
| 赖成光;陈晓宏;赵仕威;王兆礼;吴旭树;: "基于随机森林的洪灾风险评价模型及其应用", 水利学报, no. 01, 15 January 2015 (2015-01-15), pages 62 - 70 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112288337A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技（深圳）有限公司 | 行为推荐方法、装置、设备及介质 |
| CN113822384A (zh) * | 2021-11-23 | 2021-12-21 | 深圳市裕展精密科技有限公司 | 数据分析方法、装置、计算机设备、存储介质及程序产品 |
| CN113822384B (zh) * | 2021-11-23 | 2022-05-06 | 深圳市裕展精密科技有限公司 | 数据分析方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Antunes et al. | Firm default probabilities revisited | |
| CN110738527A (zh) | 一种特征重要性排序方法、装置、设备和存储介质 | |
| CN111340616B (zh) | 线上贷款的审批方法、装置、设备及介质 | |
| CN111523678B (zh) | 业务的处理方法、装置、设备及存储介质 | |
| US20150269669A1 (en) | Loan risk assessment using cluster-based classification for diagnostics | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN112990294B (zh) | 行为判别模型的训练方法、装置、电子设备及存储介质 | |
| CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
| CN113313538A (zh) | 用户消费能力预测方法、装置、电子设备和存储介质 | |
| CN113554504A (zh) | 一种车贷风控模型生成方法、装置及评分卡生成方法 | |
| CN111815435A (zh) | 一种群体风险特征的可视化方法、装置、设备及存储介质 | |
| CN112950359A (zh) | 一种用户识别方法和装置 | |
| CN110704803A (zh) | 目标对象的评估值计算方法及装置、存储介质、电子设备 | |
| CN117934154A (zh) | 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品 | |
| CN117670359A (zh) | 异常交易数据的识别方法、装置、存储介质及电子设备 | |
| CN117726426A (zh) | 信用评估方法、装置、电子设备及存储介质 | |
| CN117113209A (zh) | 保单分类方法、装置、计算机设备及存储介质 | |
| CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
| CN116308615A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN115237970A (zh) | 数据预测方法、装置、设备、存储介质及程序产品 | |
| US20060248096A1 (en) | Early detection and warning systems and methods | |
| CN116245630A (zh) | 一种反欺诈检测方法、装置、电子设备及介质 | |
| CN115994819A (zh) | 风险客户识别方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |