| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景与问题 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究问题 | 第11-12页 |
| 1.2 研究目的与意义 | 第12-14页 |
| 1.2.1 研究目的 | 第12-13页 |
| 1.2.2 研究意义 | 第13-14页 |
| 1.3 研究内容、方法与技术路线 | 第14-18页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究方法 | 第15-17页 |
| 1.3.3 技术路线 | 第17-18页 |
| 1.4 研究创新点 | 第18-20页 |
| 2 相关理论与研究综述 | 第20-36页 |
| 2.1 风险决策相关研究 | 第20-24页 |
| 2.2 有监督学习理论方法 | 第24-31页 |
| 2.3 集成学习相关研究 | 第31-34页 |
| 2.4 本章小结 | 第34-36页 |
| 3 面向海关查验走私的动态聚类与风险决策模型研究 | 第36-54页 |
| 3.1 研究背景与问题分析 | 第36-37页 |
| 3.2 基于动态K-均值聚类的风险决策模型 | 第37-42页 |
| 3.2.1 K-均值聚类简介 | 第37-38页 |
| 3.2.2 K-均值聚类有效性指标 | 第38-39页 |
| 3.2.3 动态K-均值聚类算法 | 第39-40页 |
| 3.2.4 风险决策模型 | 第40-42页 |
| 3.3 实证数据 | 第42-45页 |
| 3.3.1 样本数据和模型评价指标 | 第42-43页 |
| 3.3.2 属性选择 | 第43-45页 |
| 3.4 实验设计及结果分析 | 第45-52页 |
| 3.4.1 数据特性描述与分析 | 第45-49页 |
| 3.4.2 风险决策模型应用结果对比分析 | 第49-50页 |
| 3.4.3 模型鲁棒性分析 | 第50-52页 |
| 3.5 本章小结 | 第52-54页 |
| 4 面向消费者信用风险评估的集成学习模型研究 | 第54-80页 |
| 4.1 研究背景与问题分析 | 第54-55页 |
| 4.2 基于有监督聚类的集成学习模型 | 第55-59页 |
| 4.2.1 有监督聚类 | 第55-58页 |
| 4.2.2 集成学习模型 | 第58-59页 |
| 4.3 实证研究 | 第59-79页 |
| 4.3.1 数据集与实验设计 | 第59-61页 |
| 4.3.2 基准数据集实验结果与对比分析 | 第61-73页 |
| 4.3.3 实际数据集实验结果与对比分析 | 第73-76页 |
| 4.3.4 模型鲁棒性分析 | 第76-79页 |
| 4.4 本章小结 | 第79-80页 |
| 5 面向数据库营销的关联分类规则集成模型研究 | 第80-98页 |
| 5.1 研究背景与问题分析 | 第80-82页 |
| 5.2 关联分类简介 | 第82-83页 |
| 5.2.1 一般关联分析 | 第82-83页 |
| 5.2.2 关联分类规则 | 第83页 |
| 5.3 基于关联分类规则集成的数据库营销模型 | 第83-87页 |
| 5.3.1 关联分类规则提取 | 第83-84页 |
| 5.3.2 数据库营销模型 | 第84-87页 |
| 5.4 实证研究 | 第87-96页 |
| 5.4.1 数据集与实验设计 | 第87-89页 |
| 5.4.2 实验结果与对比分析 | 第89-92页 |
| 5.4.3 模型应用对比分析 | 第92-94页 |
| 5.4.4 模型鲁棒性分析 | 第94-96页 |
| 5.5 本章小结 | 第96-98页 |
| 6 结论与展望 | 第98-102页 |
| 6.1 研究结论 | 第98-99页 |
| 6.2 管理启示 | 第99-100页 |
| 6.3 后续研究展望 | 第100-102页 |
| 致谢 | 第102-104页 |
| 参考文献 | 第104-114页 |
| 附录 | 第114页 |
| A. 作者在攻读博士学位期间发表以及投稿的论文目录 | 第114页 |
| B. 作者在攻读博士学位期间参加的科研项目 | 第114页 |