付账户行为指标，采用Pearson相关系数进行计算相关性，对相关系数大于0.9的两对指标，丢掉其中一个；对相关系数在0.5?
0.9之间的移动游戏支付账户行为指标，做线性组合处理，生成信用评分指标。丢掉原来两个相关性很高中的一个移动游戏支付账户行为指标，避免共线性的问题。共线性问题是指在模型中的移动游戏支付账户行为指标之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
[0075]步骤B，利用主成分分析法在过滤后的移动游戏支付账户行为指标中提取信用评分指标。
[0076]主成分分析法也称主分量分析法，旨在利用降维的思想，把多指标转化为少数几个综合指标。主成分分析法用较少的指标去解释原来资料中的大部分指标，将许多相关性很尚的指标转化成彼此相互独立或不相关的指标。
[0077]在一个实施例中，计算机根据经过聚类分析的移动游戏支付账户行为指标生成标准化矩阵，再根据标准化矩阵建立协方差矩阵。计算机根据协方差矩阵求出指标的特征值和累计方差贡献率。选取特征值大于1，且累计方差贡献率大于85%的移动游戏支付账户行为指标作为信用评分指标。
[0078]在一个实施例中，也可以选取特征值大于0.9或0.8，且贡献率大于85 %或者80 %的移动游戏支付账户行为指标作为信用评分指标。
[0079]本实施例中，计算机通过聚类分析和主成分分析法提取到的信用评分指标对移动游戏支付账户信用评分影响较大，过滤掉对移动游戏支付账户信用评分影响较小的影响指标。这些信用评分是能够反映移动游戏支付账户信用的重要影响指标，进一步保证移动游戏支付账户信用评分的真实情况。
[0080]如图2所示，在一个实施例中，步骤106之后，还包括建立评分模型的步骤，具体步骤如下包括:
[0081]步骤202，从移动游戏支付账户行为数据中获取模型样本数据集合。
[0082]模型样本数据集合是计算机从移动游戏支付账户行为数据中根据正负样本的定义提取的用于训练模型的一个数据集合。模型样本包括训练样本和测试样本，在模型样本数据集合中，计算机选取一部分数据作为训练样本，则剩下的另一部分作为测试样本对信用评分模型进行测试。
[0083]步骤204，从模型样本数据集合中提取训练样本。
[0084]在一个实施例中，计算机从模型样本数据集合中随机选取或根据数据生成的时间顺序选取移动游戏支付行为数据作为训练样本。训练样本为从模型样本数据集合中提取的样本数据，用以训练信用评分模型。
[0085]步骤206，根据训练样本利用逻辑回归算法和随机森林算法训练获得信用评分模型。
[0086]在一个实施例中，计算机利用逻辑回归算法和随机森林算法分别对训练样本进行训练获得相应的模型，对两种模型所计算出的中间信用值加权运算，加权运算得到的结果为移动游戏支付账户信用值。
[0087]在另一个实施例中，计算机从模型样本数据集合中提取训练样本之后，以模型样本数据集合中剩下的移动游戏支付行为数据作为测试样本，利用测试样本对信用评分模型进行测试。计算机利用测试样本对信用评分模型进行测试，如果测试结果为信用评分模型不能准确对移动游戏支付账户信用值进行评估，则对信用指标和移动游戏支付账户行为数据进行核查或调整参数设置等。测试样本用以测试信用评分模型准确性的样本数据。
[0088]本实施例中，计算机利用逻辑回归和随机森林算法相结合的方法建立信用评分模型，并且在信用评分模型建立后，使用测试样本对信用评分模型进行测试，提高了信用评分模型的准确性和稳定性。
[0089]在一个实施例中，步骤110具体包括:将逻辑回归算法计算获得的中间信用值和随机森林算法计算获得的中间信用值加权求和以生成移动游戏支付账户信用值。
[0090]具体地，计算机在使用信用评分模型时，信用评分模型分别利用逻辑回归算法和随机森林算法对信用评分指标计算得到中间信用值，通过对两种算法计算出的中间信用值的加权求和运算得到移动游戏支付账户信用值。
[0091 ] 本实施例中，计算机通过逻辑回归和随机森林算法对信用评分指标计算得到中间信用值，为了得到更为准确的移动游戏支付账户信用值，对中间信用值进行加权求和运算，使得最终得到的移动游戏支付账户信用值值更加准确和可靠。
[0092]如图3所示，在一个实施例中，提供一种基于移动游戏支付账户行为数据处理方法的数据平台，该数据平台从各个业务系统数据中提取移动游戏支付账户交易行为数据和移动游戏支付账户游戏行为数据。各个业务系统数据包括核心交易库表、用户行为日志数据、客服系统数据和移动游戏支付账户历史信用数据等。
[0093]将移动游戏支付账户交易行为数据和移动游戏支付账户游戏行为数据经过转换加载至信用评分数据仓库，对信用评分数据仓库中的移动游戏支付账户交易行为数据和移动游戏支付账户游戏行为数据进行数据清洗，根据数据清洗后的移动游戏支付账户交易行为数据和移动游戏支付账户游戏行为数据建立移动游戏支付账户信用评分模型。通过移动游戏支付账户信用评分模型对移动游戏支付账户交易行为数据和移动游戏支付账户游戏行为数据进行计算得到移动游戏支付账户信用值。
[0094]数据平台可以根据移动游戏支付账户信用值为移动游戏支付账户提供借贷消费，提高用户的支付体验。移动游戏支付账户信用值越高，数据平台为移动游戏支付账户提供的借贷消费额度越大，移动游戏支付账户信用值越低，数据平台为移动游戏支付账户提供的借贷消费额度越小。数据平台的风险控制系统通过移动游戏支付账户信用值来降低为移动游戏支付账户提供借贷消费而产生的风险。
[0095]移动游戏支付账户的借贷消费行为所产生的数据又被记载在核心交易库表中，用于下次对移动游戏支付账户信用值的计算。在借贷消费之后，移动游戏支付账户的信用行为所产生的数据被存储在移动游戏支付账户历史信用数据中，同样用于下次对移动游戏支付账户信用值的计算。信用行为所产生的数据包括移动游戏支付账户的还款时间、还款金额以及还款期限等数据。
[0096]如图4所示，在一个实施例中，提供一种移动游戏支付账户行为数据处理装置400，所述装置包括:数据提取模块402、指标生成模块404、筛选模块406、计算模块408和信用值生成模块。
[0097]数据提取模块402，用于提取移动游戏支付账户行为数据。
[0098]指标生成模块404，用于根据移动游戏支付账户行为数据生成移动游戏支付账户行为指标。
[0099]筛选模块406，用于在移动游戏支付账户行为指标中筛选信用评分指标。
[0100]计算模块408，用于通过训练获得的信用评分模型，以根据信用评分指标分别用逻辑回归算法和随机森林算法计算获得相应的中间信用值。
[0101]信用值生成模块410，用于根据逻辑回归算法和随机森林算法计算获得的中间信用值生成移动游戏支付账户信用值。
[0102]本实施例中，数据提取模块402提取移动游戏支付账户行为数据后，指标生成模块404根据移动游戏支付账户行为数据生成移动游戏支付账户行为指标，筛选模块406在移动游戏支付账