1.一种信用卡异常数据检测方法，其特征在于，所述方法包括：获取待检测信用卡的交易数据；

通过改进后的异常数据检测模型对所述交易数据进行异常检测，获得检测结果，所述改进后的异常数据检测模型基于目标分类器集合合成，所述目标分类器集合由初始分类器集合根据错误率和预设迭代参数选取生成；

其中，所述通过改进后的异常数据检测模型对所述交易数据进行异常检测，获得检测结果的步骤之前，包括：根据错误率和预设迭代参数确定初始分类器集合中各分类器的权重；

基于所述各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合；

其中，所述基于所述各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合，包括：获取所述各分类器的权重，采用预设迭代2、5、6参数对自适应增强算法进行改进，获得基于改进后的自适应增强算法的目标分类器选取公式；

采用所述目标分类器选取公式选取目标分类器并获得目标分类器集合；

其中，所述目标分类器选取公式为：

式中，N为训练数据集中的样本总数，v

其中，所述根据错误率和预设迭代参数确定初始分类器集合中各分类器的权重的步骤之后，还包括：采用双误度量系数对所述初始分类器集合中各分类器的权重进行更新，获得更新后的各分类器的权重；

其中，权重的更新公式为：

式中，DF为双误度量系数，λ为多样性影响系数；

相应地，所述基于所述各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合，包括：基于所述更新后的各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合。

2.如权利要求1所述的信用卡异常数据检测方法，其特征在于，所述根据错误率和预设迭代参数确定初始分类器集合中各分类器的权重的步骤之前，包括：获取训练数据集，通过所述训练数据集得到初始分类器集合；

采用预设错误率计算公式，确定所述初始分类器集合中各分类器的错误率；

其中，所述预设错误率计算公式为：

其中，

其中，I的取值为：

其中，(x

3.如权利要求2所述的信用卡异常数据检测方法，其特征在于，所述根据错误率和预设迭代参数确定初始分类器集合中各分类器的权重的步骤之前，包括：初始化迭代参数，并获取预设迭代轮次数；

获取所述训练数据集中样本损失值；

根据所述样本损失值和所述预设迭代轮次数对初始化后的迭代参数进行更新，获得预设迭代参数。

4.如权利要求1所述的信用卡异常数据检测方法，其特征在于，所述通过改进后的异常数据检测模型对所述交易数据进行异常检测，获得检测结果的步骤之前，包括：获取目标分类器集合中各目标分类器的权重；

基于所述各目标分类器的权重，采用加权投票算法合成所述改进后的异常数据检测模型。

5.一种信用卡异常数据检测装置，其特征在于，所述装置包括：数据获取模块，用于获取待检测信用卡的交易数据；

数据检测模块，用于通过改进后的异常数据检测模型对所述交易数据进行异常检测，获得检测结果，所述改进后的异常数据检测模型基于目标分类器集合合成，所述目标分类器集合由初始分类器集合根据错误率和预设迭代参数选取生成；

其中，所述数据检测模块，还用于根据错误率和预设迭代参数确定初始分类器集合中各分类器的权重；基于所述各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合；

所述数据检测模块，还用于获取所述各分类器的权重，采用预设迭代参数对自适应增强算法进行改进，获得基于改进后的自适应增强算法的目标分类器选取公式；采用所述目标分类器选取公式选取目标分类器并获得目标分类器集合；

其中，所述目标分类器选取公式为：

式中，N为训练数据集中的样本总数，v

所述数据检测模块，还用于采用双误度量系数对所述初始分类器集合中各分类器的权重进行更新，获得更新后的各分类器的权重；基于所述更新后的各分类器的权重，采用自适应增强算法选取目标分类器并获得目标分类器集合；

其中，权重的更新公式为：

式中，DF为双误度量系数，λ为多样性影响系数。

6.一种信用卡异常数据检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信用卡异常数据检测程序，所述信用卡异常数据检测程序配置为实现如权利要求1至4任一项所述的信用卡异常数据检测方法的步骤。

7.一种存储介质，其特征在于，所述存储介质上存储有信用卡异常数据检测程序，所述信用卡异常数据检测程序被处理器执行时实现如权利要求1至4任一项所述的信用卡异常数据检测方法的步骤。