【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种核卡预测方法、装置、设备及存储介质。
技术介绍
1、目前，多采用深度森林算法，解决信用卡核卡预测这一典型的二分类问题，现有的深度森林方案主要包含两个阶段：多粒度扫描阶段、级联森林阶段，且相较于深度网络，深度森林算法调参量小、模型受参数影响小、对样本量的要求也远低于深度神经网络。但是，这种方式无法在模型初始阶段针对含有大量类别型变量的数据中进行有效的特征挖掘，难以挖掘两端特征的表征信息，同时收敛速度慢，导致预测结果准确率较低。
2、上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本专利技术的主要目的在于提供一种核卡预测方法、装置、设备及存储介质，旨在解决现有技术在进行核卡预测时，无法进行有效的特征挖掘，同时预测准确率低的技术问题。
2、为实现上述目的，本专利技术提供了一种核卡预测方法，所述方法包括以下步骤：
3、在获取到待预测用户的信用卡数据时，采用多个滑动采样窗口分别对所述信用卡数据中的属性数据和所述信用卡数据中的使用数据进行扫描，得到所述属性数据的多个属性片段数据和所述使用数据的多个使用片段数据；
4、基于各属性片段数据和各使用片段数据确定所述待预测用户的高维表征向量；
5、将所述高维表征向量分别输入至多个catboost子模型和多个目标森林子模型，得到各catboost子模型的分类概率向量和各目标森林子模型的分类概率向量；
7、可选地，所述基于各属性片段数据和各使用片段数据确定所述待预测用户的高维表征向量，包括：
8、将多个属性片段数据和多个使用片段数据分别输入至catboost子模型、随机森林子模型以及极端随机森林子模型，得到各属性片段数据的多个子模型分类概率向量和各使用片段数据的多个子模型分类概率向量；
9、将各属性片段数据的子模型分类概率向量进行拼接，得到各属性片段数据的拼接向量维度；
10、将各使用片段数据的子模型分类概率向量进行拼接，得到各使用片段数据的拼接向量维度；
11、基于各属性片段数据的拼接向量维度和各使用片段数据的拼接向量维度确定所述待预测用户的高维表征向量。
12、可选地，所述基于各属性片段数据的拼接向量维度和各使用片段数据的拼接向量维度确定所述待预测用户的高维表征向量，包括：
13、分别从所述信用卡数据的属性数据和所述信用卡数据的使用数据中进行特征抽取，得到多个抽取片段数据；
14、将多个抽取片段数据进行拼接，得到多个拼接片段数据；
15、将多个拼接片段数据分别输入至catboost子模型、随机森林子模型以及极端随机森林子模型，得到各拼接片段数据的拼接子模型概率向量；
16、基于各拼接片段数据的拼接子模型概率向量、各属性片段数据的拼接向量维度以及各使用片段数据的拼接向量维度确定所述待预测用户的高维表征向量。
17、可选地，所述根据各catboost子模型的分类概率向量、各目标森林子模型的分类概率向量以及预设均方差权重方式进行核卡预测，得到所述待预测用户的核卡预测结果，包括：
18、根据预设均方差权重方式对各catboost子模型的分类概率向量进行加权平均，确定第一概率向量；
19、根据所述预设均方差权重方式对各目标森林子模型的分类概率向量进行加权平均，确定第二概率向量；
20、根据所述第一概率向量、所述第二概率向量以及高维表征向量进行向量聚合，确定聚合特征向量；
21、根据所述聚合特征向量、各catboost子模型以及各目标森林子模型进行核卡预测，得到所述待预测用户的核卡预测结果。
22、可选地，所述根据预设均方差权重方式对各catboost子模型的分类概率向量进行加权平均，确定第一概率向量，包括：
23、根据各catboost子模型的分类概率向量确定各catboost子模型的同类概率；
24、根据各catboost子模型的同类概率和各catboost子模型的模型权重确定各catboost子模型的权重同类概率；
25、根据各catboost子模型的权重同类概率进行均值计算，确定第一概率向量。
26、可选地，所述根据各catboost子模型的分类概率向量、各目标森林子模型的分类概率向量以及预设均方差权重方式进行核卡预测，得到所述待预测用户的核卡预测结果之后，还包括：
27、获取各catboost子模型的评价指标和各目标森林子模型的评价指标；
28、采用预设极值方式分别对各catboost子模型的多个评价指标和各目标森林子模型的多个评价指标进行处理，得到各catboost子模型的多个处理指标和各目标森林子模型的多个处理指标；
29、根据各catboost子模型的多个处理指标和各目标森林子模型的多个处理指标确定综合评价模型，并对所述综合评价模型进行存储。
30、可选地，所述根据各catboost子模型的多个处理指标和各目标森林子模型的多个处理指标确定综合评价模型，包括：
31、根据各catboost子模型的多个处理指标和各目标森林子模型的多个处理指标进行指标均值计算，确定各处理指标的指标均值；
32、根据各处理指标的指标均值进行方差计算，确定各处理指标的指标方差；
33、根据各处理指标的指标方差确定各处理指标的权重；
34、根据各catboost子模型的多个处理指标和各目标森林子模型的多个处理指标进行矩阵构建，确定指标矩阵；
35、根据所述指标矩阵和各处理指标的权重确定综合评价模型。
36、此外，为实现上述目的，本专利技术还提出一种核卡预测装置，所述核卡预测装置包括：
37、扫描模块，用于在获取到待预测用户的信用卡数据时，采用多个滑动采样窗口分别对所述信用卡数据中的属性数据和所述信用卡数据中的使用数据进行扫描，得到所述属性数据的多个属性片段数据和所述使用数据的多个使用片段数据；
38、处理模块，用于基于各属性片段数据和各使用片段数据确定所述待预测用户的高维表征向量；
39、所述处理模块，还用于将所述高维表征向量分别输入至多个catboost子模型和多个目标森林子模型，得到各catboost子模型的分类概率向量和各目标森林子模型的分类概率向量；
40、预测模块，用于根据各catboost子模型的分类概率向量、各目标森林子模型的分类概率向量以及预设均方差权重方式进行核卡预测，得到所述待预测用户的核卡预测结果。
41、此外，为实现上述目的，本专利技术还提出一种核卡预测设备，所述核卡预测设备包括：存储器、处本文档来自技高网...
【技术保护点】
1.一种核卡预测方法，其特征在于，所述核卡预测方法，包括：
2.如权利要求1所述的核卡预测方法，其特征在于，所述基于各属性片段数据和各使用片段数据确定所述待预测用户的高维表征向量，包括：
3.如权利要求2所述的核卡预测方法，其特征在于，所述基于各属性片段数据的拼接向量维度和各使用片段数据的拼接向量维度确定所述待预测用户的高维表征向量，包括：
4.如权利要求1所述的核卡预测方法，其特征在于，所述根据各catboost子模型的分类概率向量、各目标森林子模型的分类概率向量以及预设均方差权重方式进行核卡预测，得到所述待预测用户的核卡预测结果，包括：
5.如权利要求4所述的核卡预测方法，其特征在于，所述根据预设均方差权重方式对各catboost子模型的分类概率向量进行加权平均，确定第一概率向量，包括：
6.如权利要求1至5中任一项所述的核卡预测方法，其特征在于，所述根据各catboost子模型的分类概率向量、各目标森林子模型的分类概率向量以及预设均方差权重方式进行核卡预测，得到所述待预测用户的核卡预测结果之后，还包括：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。