用户信用评级方法、装置、计算机设备以及存储介质与流程

本申请涉及计算机技术领域，特别是涉及一种用户信用评级方法、装置、计算机设备以及存储介质。

背景技术：

个人信用是整个社会信用的基础。市场主体是由个体组成的，市场交易中所有的经济活动，与个人信用息息相关。一旦个人行为失之约束，就会发生个人失信行为，进而出现集体失信。因此，个人信用体系建设具有极其重要的意义。个人信用不仅是一个国家市场伦理和道德文化建设的基础，更是一个国家经济发展的巨大资源。开拓并利用这种资源，能有效推动消费，优化资源配置，促进经济发展。市场经济越发展，个人信用所发挥的功能越重要，个人信用体系的完善与否已成为市场经济是否成熟的显著标志之一。

大数据背景下的个人信用评估越来越多的使用网络行为、消费、社交等数据，该类数据不同于传统征信信息，使得传统个人信用风险评估模型和方法无法取得满意效果。

目前的随机森林、gbdt、xgboost等算法具有明显的分类性能优势，但存在着参数依赖性的劣势，使用传统例如网格搜索等超参数组合调优算法也难以达到理想分类效果。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种参数依赖性低的模型评价方法、装置、计算机设备以及存储介质。

一种用户信用评级方法，所述方法包括：

获取待评级用户的信用评级数据；

将所述待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得所述待评级用户的信用分级结果；

所述xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化，所述初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；

通过贝叶斯优化优化所述参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

在其中一个实施例中，所述建立初始xgboost模型并设置模型初始参数具体包括：

获取以分类准确率作为适应度函数的初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化。

在其中一个实施例中，所述通过贝叶斯优化优化所述初始xgboost模型的初始参数，获得xgboost-bys信用分类模型具体包括：

获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；

获得每次参数调整后所述初始xgboost模型对应的多组value值；

获取所述多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；

根据所述目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

在其中一个实施例中，所述根据所述目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型具体包括：

通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录所述设置参数后的xgboost模型的分类准确率；

根据所述分类准确率调整所述设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录所述设置参数后的xgboost模型的分类准确率；

获取所述分类准确率的变化率，当所述准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在其中一个实施例中，所述根据所述目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型具体包括：

通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录所述设置参数后的xgboost模型的分类准确率；

根据所述分类准确率调整所述设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，并参数调整的次数；

当所述参数调整次数大于调整次数阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在其中一个实施例中，将所述待评级用户的信用评级数据输入所述xgboost-bys信用分类模型，获得所述待评级用户的信用分级结果具体包括：

将所述待评级用户的信用评级数据输入所述xgboost-bys信用分类模型；

根据所述xgboost-bys信用分类模型中的决策树对所述信用评级数据进行分类，获得每个决策树对所述信用评级数据分类的初级分类结果；

根据所述初级分类结果获得所述待评级用户的信用分级结果。

一种用户信用评级装置，所述装置包括：

评级信息获取模块，用于获取待评级用户的信用评级数据；

信用评级模块，用于将所述待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得所述待评级用户的信用分级结果；

所述xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化，所述初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；

通过贝叶斯优化优化所述参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

在其中一个实施例中，所述模型优化模块具体包括：

参数调整单元，用于获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；

求值单元，获得每次参数调整后所述初始xgboost模型对应的多组value值；

目标参数获取单元，获取所述多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；

模型优化单元，根据所述目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待评级用户的信用评级数据；

将所述待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得所述待评级用户的信用分级结果；

所述xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化，所述初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；通过贝叶斯优化优化所述参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待评级用户的信用评级数据；

将所述待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得所述待评级用户的信用分级结果；

所述xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化，所述初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；通过贝叶斯优化优化所述参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

上述用户信用评级方法、装置、计算机设备以及存储介质，通过获取待评级用户的信用评级数据；并将待评级用户的信用评级数据输入获得的xgboost-bys信用分类模型，通过该模型获得待评级用户的信用分级结果。而模型的建立过程包括：获取初始xgboost模型以及模型初始参数，根据所述模型初始参数对所述初始xgboost模型进行初始化；并通过贝叶斯优化对初始xgboost模型的初始参数进行优化，获得xgboost-bys信用分类模型。本申请的方案中xgboost模型基于xgboost算法建立，但xgboost算法具有较强的参数依赖性，所以通过贝叶斯优化对xgboost模型进行优化，获得xgboost-bys信用分级模型，通过贝叶斯优化可以有效摆脱xgboost模型的参数依赖性，可以避免了人工参数调整的繁琐、耗时与随机性、不稳定性，有利于更高效的对待评级用户即待评级个人进行信用评级。

附图说明

图1为一个实施例中用户信用评级方法的应用环境图；

图2为一个实施例中用户信用评级方法的流程示意图；

图3为一个实施例中用户信用评级方法的流程示意图；

图4为一个实施例中图2中步骤s400的子步骤流程示意图；

图5为一个实施例中用户信用评级方法的流程示意图；

图6为一个实施例中用户信用评级装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的用户信用评级方法，可以应用于如图1所示的应用环境中，其中，信用分级工作人员所在的终端102通过网络与服务器进行通信，服务器104通过网络获取信用分级工作人员提供的待评级用户的信用评级数据，服务器接受到信用评级数据后，基于预设的xgboost-bys信用分级模型，通过信用分级模型基于信用评级数据对待评级用户进行信用分类，而后将分类结果反馈至终端102，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑。

如图2所示，在其中一个实施例中，本申请的模型评价方法，可以通过服务器实现，具体包括以下步骤：

s600，获取待评级用户的信用评级数据。

待评级用户指的是等待被评级的客户个人，评级可以根据需要设置待评级用户的信用等级。信用评级数据指的是用于对待评级用户进行评级的数据，具体可以包括：个人贷还款记录、信用卡消费记录以及用户个人工作与家庭数据等数据。

在确立可以用于信用评级的模型之后，就可以使用该模型来对待评级用户的信用进行评级。服务器首先获得待评级用户相关的信用评级数据。

s800，将待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得待评级用户的信用分级结果。

信用分级结果指的是待评级用户个人的信用等级，该结果可以根据需要设置为多个等级，不同等级划分代表了待评级用户不同的信用度。

将获得的信用评级数据输入获得的xgboost-bys信用分类模型，通过经过机器学习后参数调整的xgboost-bys信用分类模型对待评级用户的信用进行评级。

首先基于对以根据信用评级数据对待评级用户进行信用分级的分类准确率建立初始xgboost模型，而后通过贝叶斯优化算法对初始xgboost模型的参数进行调整，而后再次根据优化后的模型对待评级用户进行信用分级的分类准确率来对参数进行调整，通过不断的调整来提升模型的分类准确率，得到最终的xgboost-bys信用分类模型。

xgboost-bys信用分类模型的建立过程具体包括：

s200，获取初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化，初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级。以对待评级用户进行分类的分类准确率作为初始xgboost模型的模型适应度函数。

xgboost模型是基于xgboost算法建立的一种机器学习模型。xgboost算法是一种gradientboosting算法，常见的gradientboosting算法的一个代表为gbdt(gradientboostingdecisiontree,梯度提升决策树)。而xgboost算法是gradientboosting算法的一种高效实现形式。首先初始化为一个常数，gradientboosting是根据一阶导数ri，xgboost是根据一阶导数gi和二阶导数hi，迭代生成基学习器，相加更新学习器。相较传统的gradientboosting算法，xgboost具备以下的特点，考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，这能大大提升算法的效率；特征列排序后以块的形式存储在内存中，在迭代中可以重复使用；虽然boosting算法迭代必须串行，但是在处理每个特征列时可以做到并行；考虑了当数据量比较大，内存不够时怎么有效的使用磁盘，可以通过结合多线程、数据压缩、分片的方法，尽可能的提高算法的效率。模型初始参数是指初始模型内的各个参数，在本申请中，初始参数主要包括了的min_child_weight、cosample_bytree、max_depth、subsample、eta、gamma等参数。min_child_weight是决定最小叶子节点样本权重和。当它的值较大时，可以避免模型学习到局部的特殊样本。但如果这个值过高，会导致欠拟合。cosample_bytree用来控制每颗树随机采样的列数的占比。max_depth用来控制树的最大深度。subsample用于控制对于每棵树，随机采样的比例。减小这个参数的值算法会更加保守，避免过拟合。但是这个值设置的过小，它可能会导致欠拟合。eta用于改良模型的鲁棒性。gamma指定了节点分裂所需的最小损失函数下降值。这个参数值越大，算法越保守。待评级用户指的是待评级的个人。

s400，通过贝叶斯优化优化初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。在其中一个实施例中，以对待评级用户的分类成功率作为初始xgboost模型的模型适应度函数。

贝叶斯优化是一种近似逼近的方法。如果说我们不知道某个函数具体是什么，那么可能就会使用一些已知的先验知识逼近或猜测该函数是什么。这就正是后验概率的核心思想。假设有一系列观察样本，并且数据是一条接一条地投入模型进行训练。这样训练后的模型将显著地服从某个函数，而该未知函数也将完全取决于它所学到的数据。由于不知道xgboost-bys信用分类模型中分类最好效果的模型适应度函数是什么，所以可以通过贝叶斯优化来对分类效果最好的函数的进行近似求取。初始xgboost模型的模型适应度函数的参数设置为初始值，通过贝叶斯优化的方法对xgboost模型内的min_child_weight、cosample_bytree、max_depth、subsample、eta、gamma等参数进行调参，即模型适应度函数中的各个参数进行调整，提高xgboost模型的分类准确率，继而可以获得可以更加适合用于准确对待评级用户进行信用分类的xgboost-bys信用分类模型。在建立初始的xgboost模型后，通过贝叶斯优化对初始xgboost模型的参数进行调整，获得能对待评级用户进行准确分类的xgboost-bys信用分类模型。

上述用户信用评级方法，通过获取待评级用户的信用评级数据；并将待评级用户的信用评级数据输入获得的xgboost-bys信用分类模型，通过该模型获得待评级用户的信用分级结果。而模型的建立过程包括：获取初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化；并通过贝叶斯优化对初始xgboost模型的初始参数进行优化，获得xgboost-bys信用分类模型。本申请的方案中xgboost模型基于xgboost算法建立，但xgboost算法具有较强的参数依赖性，所以通过贝叶斯优化对xgboost模型进行优化，获得xgboost-bys信用分级模型，通过贝叶斯优化可以有效摆脱xgboost模型的参数依赖性，可以避免了人工参数调整的繁琐、耗时与随机性、不稳定性，有利于更高效的对待评级用户即待评级个人进行信用评级。

如图3所示，在其中一个实施例中，s200具体包括：

s210，获取以分类准确率作为适应度函数的初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化。

可以获取以对待评级用户的信用评级的准确率作为初始xgboost模型的适应度函数的初始xgboost模型，并基于模型初始参数对初始xgboost模型进行初始化，通过以信用评级的准确率作为始xgboost模型的适应度函数可以有效地建立对待评级用户的信用评级的xgboost模型。

如图4所示，在其中一个实施例中，s400具体包括：

s410，获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；

s430，获得每次参数调整后初始xgboost模型对应的多组value值。

s450，获取多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；

s470，根据目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

value值对应的是贝叶斯优化的优化结果，value值越大，说明优化的结果越好。首先通过贝叶斯优化对初始xgboost模型中预设初始参数进行调整。预设参数具体可以包括min_child_weight、cosample_bytree、max_depth、subsample、eta、gamma以及alpha等参数等。并获得每次参数调整后的参数组合对应value值，并选取其中value值最大对应的一组参数组合，并根据该组参数集合对初始xgboost模型中min_child_weight、cosample_bytree、max_depth、subsample、eta、gamma以及alpha等参数进行设置，得到xgboost-bys信用分类模型。

在其中一个实施例中，s470具体包括：

通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率。根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率。获取分类准确率的变化率，当准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在获得对初始xgboost模型进行贝叶斯优化获得的value值最大对应的一组参数组合后，可以先根据这组参数组合对初始xgboost模型内的参数进行设置，而后通过设置参数后的模型对带标记的样本数据进行分类，获得分类的准确率，同时再基于该分类的结果对正在使用的xgboost模型内的参数进行微调，并再次通过微调后的xgboost模型对带标记的样本数据进行分类。直到分类的准确率的变化率低于预设的阈值的时候，停止调整参数，并根据最后设置的参数对初始xgboost模型的参数进行调整，获得xgboost-bys信用分类模型。通过基于参数调整后的模型的训练结果对参数进行反复调整，有利于提高模型的分类准确率。

在其中一个实施例中，s470具体包括：

通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，并记录参数调整的次数；当参数调整的次数大于次数阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在获得对初始xgboost模型进行贝叶斯优化获得的value值最大对应的一组参数组合后，可以先根据这组参数组合对初始xgboost模型内的参数进行设置，而后通过设置参数后的模型对带标记的样本数据进行分类，获得分类的准确率，同时再基于该分类的结果对正在使用的xgboost模型内的参数进行微调，并再次通过微调后的xgboost模型对带标记的样本数据进行分类。直到返回次数即调整参数数值的次数超过了预设的调整次数阈值的时候，停止调整参数，并根据最后设置的参数对初始xgboost模型的参数进行调整，获得xgboost-bys信用分类模型。通过基于参数调整后的模型的训练结果对参数进行反复调整，有利于提高模型的分类准确率。

在其中一个实施例中，s800具体包括：将待评级用户的信用评级数据输入xgboost-bys信用分类模型；根据xgboost-bys信用分类模型中的决策树对信用评级数据进行分类，获得每个决策树对信用评级数据分类的初级分类结果；根据初级分类结果获得待评级用户的信用分级结果。

首先通过xgboost-bys信用分类模型的每个决策树根据获取的信用评级数据对待评级用户的信用评级进行分类，而后综合xgboost-bys信用分类模型中所有决策树的分类结果，对待评级用户的信用等级分类，在其中一个实施例中，可以将分类结果中最多决策树得到的分类结果作为对待评级用户的信用分级结果。

如图5所示，在其中一个实施例中，s800，之后还包括：

s900，根据信用分级结果生成待评级用户的个人信用评估报告。

在获得对待评级用户的信用评级之后，可以基于该信用评级的结果生成一份信用评级报告，报告的具体内容可以包括该评级结果以及用户的一些守信记录或者是违约记录。通过信用评级报告可以更加清晰地对用户的信用情况进行总结，同时展现。

在其中一个实施例中，本申请的用户信用评级方法具体包括以下步骤：获取以分类准确率作为适应度函数的初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化；通过贝叶斯优化对初始xgboost模型的min_child_weight、cosample_bytree、max_depth、subsample、eta、gamma以及alpha进行参数调整；获得每次参数调整后初始xgboost模型对应的多组value值；获取多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，；获取分类准确率的变化率，当准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。获取待评级用户的信用评级数据；将待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得待评级用户的信用分级结果。并根据信用分级结果生成待评级用户的个人信用评估报告。

应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图6所示，一种用户信用评级装置，装置包括：

评级信息获取模块200，用于获取待评级用户的信用评级数据；

信用评级模块400，用于将待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得待评级用户的信用分级结果；

xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化，初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；

通过贝叶斯优化优化参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

在其中一个实施例中，还包括模型建立模块，用于以分类准确率作为待创建的初始xgboost模型的适应度函数，建立初始xgboost模型并设置模型初始参数。

在其中一个实施例中，模型优化模块400具体包括：参数调整单元，用于获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；；求值单元，获得每次参数调整后初始xgboost模型对应的多组value值；目标参数获取单元，获取多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；模型优化单元，根据目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

在其中一个实施例中，模型优化单元具体用于：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录调整参数后的xgboost模型的分类准确率；获取分类准确率的变化率，当准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在其中一个实施例中，模型优化单元具体用于：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录调整参数后的xgboost模型的分类准确率的步骤，并调整参数次数；当调整参数次数大于次数阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在一个实施例中，信用评级模块400具体用于：将待评级用户的信用评级数据输入xgboost-bys信用分类模型；根据xgboost-bys信用分类模型中的决策树对信用评级数据进行分类，获得每个决策树对信用评级数据分类的初级分类结果；根据初级分类结果获得待评级用户的信用分级结果。

在其中一个实施例中，还包括报告生成模块用于根据信用分级结果生成待评级用户的个人信用评估报告。

关于用户信用评级装置的具体限定可以参见上文中对于用户信用评级方法的限定，在此不再赘述。上述用户信用评级装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户信用评级数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用户信用评级方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待评级用户的信用评级数据；

将待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得待评级用户的信用分级结果；

xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化，初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；

通过贝叶斯优化优化参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取以分类准确率作为适应度函数的初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；获得每次参数调整后初始xgboost模型对应的多组value值；获取多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；根据目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；获取分类准确率的变化率，当准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，并参数调整的次数；当参数调整次数大于调整次数阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将待评级用户的信用评级数据输入xgboost-bys信用分类模型；根据xgboost-bys信用分类模型中的决策树对信用评级数据进行分类，获得每个决策树对信用评级数据分类的初级分类结果；根据初级分类结果获得待评级用户的信用分级结果。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据信用分级结果生成待评级用户的个人信用评估报告。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待评级用户的信用评级数据；

将待评级用户的信用评级数据输入xgboost-bys信用分类模型，获得待评级用户的信用分级结果；

xgboost-bys信用分类模型的获取过程包括：获取初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化，初始xgboost模型用于根据信用评级数据对待评级用户进行信用分级；

通过贝叶斯优化优化参数初始化后的初始xgboost模型的初始参数，获得xgboost-bys信用分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取以分类准确率作为适应度函数的初始xgboost模型以及模型初始参数，根据模型初始参数对初始xgboost模型进行初始化。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取初始xgboost模型，根据贝叶斯优化算法对所述初始xgboost模型的预设初始参数进行参数调整；获得每次参数调整后初始xgboost模型对应的多组value值；获取多组value值中最高的value值对应的参数值，将最高的value值对应的参数值作为目标参数值；根据目标参数值设置xgboost模型中参数，获得xgboost-bys信用分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；获取分类准确率的变化率，当准确率的变化率低于阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过设置参数后的xgboost模型对带标记的样本数据进行分类，记录设置参数后的xgboost模型的分类准确率；根据分类准确率调整设置参数后的xgboost模型内的参数值，通过调整参数后的xgboost模型对带标记的样本数据进行分类，并参数调整的次数；当参数调整次数大于调整次数阈值时，将最新的xgboost模型作为xgboost-bys信用分类模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将待评级用户的信用评级数据输入xgboost-bys信用分类模型；根据xgboost-bys信用分类模型中的决策树对信用评级数据进行分类，获得每个决策树对信用评级数据分类的初级分类结果；根据初级分类结果获得待评级用户的信用分级结果。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据信用分级结果生成待评级用户的个人信用评估报告。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。