| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景与意义 | 第10-12页 |
| 1.1.1 论文研究背景 | 第10-11页 |
| 1.1.2 论文研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容和结构 | 第14-16页 |
| 第2章 相关概念和应用分析 | 第16-31页 |
| 2.1 对公客户信用风险管理及相关模型概述 | 第16-22页 |
| 2.1.1 信用风险理论 | 第16-17页 |
| 2.1.2 信用风险管理理论 | 第17-18页 |
| 2.1.3 信用风险评估模型概述 | 第18-22页 |
| 2.2 数据挖掘相关概念及介绍 | 第22-26页 |
| 2.2.1 数据挖掘的概念 | 第23-24页 |
| 2.2.2 数据挖掘的过程 | 第24页 |
| 2.2.3 数据挖掘的功能 | 第24-25页 |
| 2.2.4 数据挖掘主要技术方法 | 第25-26页 |
| 2.3 数据挖掘在商业银行中的应用情况 | 第26-31页 |
| 2.3.1 数据挖掘在商业银行中的整体应用状况分析 | 第26-28页 |
| 2.3.2 数据挖掘在商业银行信用风险管理中的应用分析 | 第28-31页 |
| 第3章 基于数据挖掘技术的信用风险评估模型的构建 | 第31-50页 |
| 3.1 信用风险影响关键因素分析 | 第31-42页 |
| 3.1.1 银行对公客户信用风险定性分析 | 第31-35页 |
| 3.1.2 银行对公客户信用风险定量分析 | 第35-37页 |
| 3.1.3 构建对公客户信用风险分析模型 | 第37-42页 |
| 3.2 决策树算法在对公客户信用风险评估模型中的应用 | 第42-50页 |
| 3.2.1 决策树基本概念 | 第42页 |
| 3.2.2 算法种类 | 第42-43页 |
| 3.2.3 决策树算法内容 | 第43-48页 |
| 3.2.4 决策树剪枝 | 第48-49页 |
| 3.2.5 决策树算法在对公客户信用风险管理中的应用 | 第49-50页 |
| 第4章 对公客户信用风险管理实证分析 | 第50-64页 |
| 4.1 数据挖掘工具python的介绍 | 第50-51页 |
| 4.2 数据准备 | 第51-53页 |
| 4.3 数据预处理 | 第53-56页 |
| 4.3.1 数据的清洗 | 第53-54页 |
| 4.3.2 数据的集成 | 第54页 |
| 4.3.3 数据的转换 | 第54-56页 |
| 4.4 构建对公客户信用风险评估分析模型 | 第56-64页 |
| 4.4.1 数据平衡化 | 第57-58页 |
| 4.4.2 One-Hot编码 | 第58-60页 |
| 4.4.3 决策树模型的建立 | 第60-61页 |
| 4.4.4 决策树模型的验证 | 第61-64页 |
| 第5章 总结和展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 数据样本 | 第69-72页 |
| 致谢 | 第72页 |
