| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-18页 |
| ·研究背景 | 第11-16页 |
| ·本论文研究的目的和意义 | 第11页 |
| ·信用风险评估研究历史和研究现状 | 第11-15页 |
| ·机器学习与信用风险评估 | 第15-16页 |
| ·本文主要研究工作和创新点 | 第16-17页 |
| ·本文研究方法和目的 | 第16页 |
| ·主要研究工作简述 | 第16-17页 |
| ·创新点 | 第17页 |
| ·论文组织结构 | 第17-18页 |
| 第2章 基于 EIGENCREDITS 和 SVDD 的信用风险评估模型 | 第18-27页 |
| ·模型简介 | 第18-19页 |
| ·Eigencredits | 第19-21页 |
| ·Eigencredits 的概念 | 第19-20页 |
| ·Eigencredits 的计算 | 第20-21页 |
| ·Support Vector Data Description(SVDD) | 第21-24页 |
| ·训练集只包含正类样本的SVDD | 第21-23页 |
| ·训练集包含正类样本和负类样本的SVDD | 第23-24页 |
| ·实验 | 第24-26页 |
| ·在完整数据集上的实验 | 第25页 |
| ·在包含少部分负类样本集上的实验 | 第25-26页 |
| ·小结 | 第26-27页 |
| 第3章 基于 WEIGHTLY SELECTED ATTRIBUTE BAGGING 算法的信用险评估模型 | 第27-50页 |
| ·模型简介 | 第27-28页 |
| ·相关方法简介 | 第28-30页 |
| ·基于数据分划的集成学习方法 | 第28-29页 |
| ·基于特征分划的集成学习方法 | 第29-30页 |
| ·Weightedly Selected Attributes Bagging (WSAB) | 第30-36页 |
| ·评估特征的权重 | 第30页 |
| ·用线性支持向量机(LSVM)来评估特征的权重 | 第30-34页 |
| ·用主成分分析(PCA)来评估特征的权重 | 第34-35页 |
| ·Weightedly Selected Attributes Bagging | 第35-36页 |
| ·实验 | 第36-48页 |
| ·用线性SVM 评估各特征分量的权重 | 第37-39页 |
| ·用PCA 评估各特征分量的权重 | 第39-40页 |
| ·特征子集的大小对AB 模型的影响 | 第40-45页 |
| ·WSAB 方法和传统的集成分类模型之间的比较 | 第45-48页 |
| ·小结 | 第48-50页 |
| 第4章 基于 KMP 的信用风险评估模型 | 第50-61页 |
| ·模型简介 | 第50-51页 |
| ·核匹配追踪 | 第51-54页 |
| ·匹配追踪算法 | 第51-52页 |
| ·基于后系数调整的匹配追踪算法 | 第52-53页 |
| ·核匹配追踪算法 | 第53页 |
| ·误差函数的选择 | 第53-54页 |
| ·基于核匹配追踪的分类器 | 第54页 |
| ·核匹配追踪算法集成 | 第54-57页 |
| ·实验 | 第57-60页 |
| ·单个核匹配追踪算法的性能 | 第57-59页 |
| ·核匹配追踪集成算法的性能 | 第59-60页 |
| ·小结 | 第60-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表的论文与研究成果清单 | 第66-67页 |
| 致谢 | 第67页 |
