1.一種基于部分堆棧融合的用戶(hù)信用評(píng)估模型，其特征在于包括以下步驟：
S1、對(duì)所有的用戶(hù)數(shù)據(jù)建立N個(gè)模型，在所有模型中，選擇AUROC值最高的一個(gè)最優(yōu)模型〖Model〗_best；
S2、選擇一個(gè)與最優(yōu)模型差異性最大的模型〖Model〗_differ，根據(jù)兩個(gè)模型對(duì)所有用戶(hù)的排名作差值〖Rank〗_best-〖Rank〗_differ，對(duì)于差值大于0的用戶(hù)，說(shuō)明〖Model〗_differ比〖Model〗_best對(duì)這部分用戶(hù)的排名能力要好；
S3、選擇這樣的部分用戶(hù)，用差異性模型重新訓(xùn)練，將這個(gè)模型的Top K個(gè)用戶(hù)直接置為信用良好的用戶(hù)，這樣可以將原本〖Model〗_best判別為信用較差的用戶(hù)進(jìn)行校正。
2.根據(jù)權(quán)利要求1所述的一種基于部分堆棧融合的用戶(hù)信用評(píng)估模型，其特征在于步驟S2中所述排名越低，用戶(hù)的信用越好。
3.根據(jù)權(quán)利要求1所述的一種基于部分堆棧融合的用戶(hù)信用評(píng)估模型，其特征在于所述模型包括線(xiàn)性模型與決策樹(shù)模型。
4.根據(jù)權(quán)利要求3所述的一種基于部分堆棧融合的用戶(hù)信用評(píng)估模型，其特征在于所述線(xiàn)性模型包括Lasso、Liblinear、Linear-SVM，所述決策樹(shù)模型包括XGBoost。
5.根據(jù)權(quán)利要求1所述的一種基于部分堆棧融合的用戶(hù)信用評(píng)估模型，其特征在于所述最優(yōu)模型〖Model〗_best選定為XGBoost，所述與最優(yōu)模型差異性最大的模型〖Model〗_differ選定為liblinear模型。