统计方法在互联网金融违约风险识别中的应用
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-11页 |
| 1.1 选题的背景及意义 | 第7页 |
| 1.2 国内外的相关研究状况和发展趋势 | 第7-9页 |
| 1.2.1 国外研究现状 | 第7-8页 |
| 1.2.2 国内研究状况 | 第8-9页 |
| 1.3 本文研究的主要内容 | 第9-11页 |
| 2 数据的处理与特征描述 | 第11-17页 |
| 2.1 数据的来源与处理 | 第11-15页 |
| 2.1.1 数据的预处理 | 第12页 |
| 2.1.2 数据的图表特征展示 | 第12-15页 |
| 2.2 数据的相关性分析 | 第15-17页 |
| 3 模型建立与应用 | 第17-35页 |
| 3.1 模型的概述 | 第17页 |
| 3.2 决策树模型 | 第17-26页 |
| 3.2.1 决策树的构成 | 第18-19页 |
| 3.2.2 划分选择 | 第19-21页 |
| 3.2.3 剪枝处理 | 第21页 |
| 3.2.4 模型应用 | 第21-26页 |
| 3.3 朴素贝叶斯模型 | 第26-30页 |
| 3.3.1 朴素贝叶斯分类原理 | 第26-27页 |
| 3.3.2 朴素贝叶斯模型的特性及应用流程 | 第27-29页 |
| 3.3.3 朴素贝叶斯模型的应用 | 第29-30页 |
| 3.4 LOGISTIC回归模型 | 第30-35页 |
| 3.4.1 logistic回归的基本原理 | 第31-32页 |
| 3.4.2 logistic回归模型的特性 | 第32-33页 |
| 3.4.3 模型应用 | 第33-35页 |
| 4 模型性能的评估与对比 | 第35-41页 |
| 4.1 性能指标对比 | 第35-36页 |
| 4.2 性能权衡的可视化 | 第36-39页 |
| 4.3 综合评价 | 第39-41页 |
| 5 结论和建议 | 第41-44页 |
| 5.1 结论 | 第41-42页 |
| 5.2 建议 | 第42-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-46页 |
