[发明专利]一种基于深度学习的信用评分集成分类系统和方法在审
| 申请号： | 201910715438.0 | 申请日： | 2019-08-05 |
| 公开（公告）号： | CN110580268A | 公开（公告）日： | 2019-12-17 |
| 发明（设计）人： | 侯榆青;贺心畋;贺小伟;王宾;李思奇;王文强;张翔 | 申请（专利权）人： | 西北大学 |
| 主分类号： | G06F16/28 | 分类号： | G06F16/28;G06N3/04;G06Q10/04;G06Q40/02 |
| 代理公司： | 61216 西安恒泰知识产权代理事务所 | 代理人： | 王芳 |
| 地址： | 710069 *** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的信用评分集成分类系统和方法，系统包括，数据获取及预处理单元用于获取信用数据集，并进行数据预处理得到样本数据集，将样本数据集分为样本训练集和样本测试集；集成分类训练单元用于将样本训练集分别通过RNN子单元、LR子单元和XGBoost子单元进行训练，获得样本测试集分别通过每个子单元得到的预测信用概率；投票单元用于对集成分类训练单元获得的三个预测信用概率进行多数投票，若两个或以上的预测信用概率高于0.5则客户信用良好，否则客户信用不良。本发明将深度学习算法循环神经网络RNN应用到信用评分问题，将逻辑回归LR、极限梯度提升树XGBoost与循环神经网络RNN并行集成，兼顾模型的多样性和准确性，提高了模型的性能。 | ||
| 搜索关键词： | 子单元 集成分类 信用 循环神经网络 样本训练集 客户信用 训练单元 样本测试 样本数据 概率 预测 数据预处理 预处理单元 并行集成 逻辑回归 数据获取 投票单元 信用数据 学习算法 多样性 投票 应用 学习 | ||
【主权项】：
1.一种基于深度学习的信用评分集成分类系统，其特征在于，包括数据获取及预处理单元、集成分类训练单元和投票单元；/n所述数据获取及预处理单元用于获取信用数据集，并对信用数据集进行数据预处理得到样本数据集，将样本数据集分为样本训练集和样本测试集；/n所述集成分类训练单元包括RNN子单元、LR子单元和XGBoost子单元，所述集成分类训练单元用于将数据获取及预处理单元得到的样本训练集分别通过RNN子单元、LR子单元和XGBoost子单元进行训练，获得样本测试集分别通过每个子单元得到的预测信用概率；/n所述投票单元用于对集成分类训练单元获得的三个预测信用概率进行多数投票，若两个或以上的预测信用概率高于0.5则客户信用良好，否则客户信用不良。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西北大学，未经西北大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910715438.0/，转载请声明来源钻瓜专利网。
