基于LightGBM模型的P2P网贷违约预测研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 P2P网贷违约 | 第12-13页 |
| 1.2.2 特征编码 | 第13-15页 |
| 1.2.3 文献综述 | 第15页 |
| 1.3 研究内容与目的 | 第15-16页 |
| 1.4 研究框架 | 第16-17页 |
| 1.5 创新点 | 第17-18页 |
| 第2章 理论概述 | 第18-31页 |
| 2.1 P2P网络借贷 | 第18-19页 |
| 2.2 P2P网络借贷行为理论 | 第19-20页 |
| 2.3 LightGBM相关理论 | 第20-23页 |
| 2.3.1 决策树 | 第20-21页 |
| 2.3.2 集成学习 | 第21-22页 |
| 2.3.3 LightGBM | 第22-23页 |
| 2.4 传统机器学习方法 | 第23-27页 |
| 2.4.1 支持向量机 | 第23-26页 |
| 2.4.2 随机森林 | 第26-27页 |
| 2.5 数据编码 | 第27-30页 |
| 2.5.1 独热编码 | 第27-28页 |
| 2.5.2 哑变量 | 第28页 |
| 2.5.3 标签编码 | 第28-29页 |
| 2.5.4 平均数编码与改进 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 数据分析和预处理 | 第31-44页 |
| 3.1 数据来源和变量组成 | 第31-33页 |
| 3.1.1 数据来源 | 第31页 |
| 3.1.2 数据变量 | 第31-33页 |
| 3.1.3 数据质量分析 | 第33页 |
| 3.2 贷款状态和违约界定 | 第33-35页 |
| 3.3 数据预处理 | 第35-39页 |
| 3.3.1 变量的初筛 | 第35-36页 |
| 3.3.2 缺失值处理 | 第36-37页 |
| 3.3.3 连续型变量处理 | 第37-39页 |
| 3.3.4 离散型变量处理 | 第39页 |
| 3.4 部分典型变量的数据特征分析 | 第39-42页 |
| 3.4.1 贷款金额 | 第39-40页 |
| 3.4.2 受雇年限 | 第40页 |
| 3.4.3 贷款目的 | 第40-41页 |
| 3.4.4 信用等级 | 第41-42页 |
| 3.5 样本的均衡化处理 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 网贷违约预测模型的构建与实现 | 第44-56页 |
| 4.1 AUC评价指标 | 第44-46页 |
| 4.2 LightGBM模型构建 | 第46-48页 |
| 4.2.1 工具选择 | 第47页 |
| 4.2.2 模型参数设置 | 第47-48页 |
| 4.3 输出结果与分析 | 第48-51页 |
| 4.3.1 模型准确度分析 | 第48-49页 |
| 4.3.2 特征重要性分析 | 第49-51页 |
| 4.4 与其他机学习预测模型对比 | 第51-54页 |
| 4.4.1 LightGBM与支持向量机对比 | 第51-52页 |
| 4.4.2 LightGBM与随机森林对比 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 研究不足与展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
