| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 文献综述 | 第14-17页 |
| 1.2.1 关于个人信用评估理论的研究 | 第14页 |
| 1.2.2 关于统计学方法的研究 | 第14-16页 |
| 1.2.3 关于机器学习方法的研究 | 第16-17页 |
| 1.2.4 文献简评 | 第17页 |
| 1.3 研究思路与方法 | 第17-19页 |
| 1.3.1 研究思路 | 第17-18页 |
| 1.3.2 研究方法 | 第18-19页 |
| 1.4 主要研究内容与创新之处 | 第19-20页 |
| 1.4.1 主要研究内容 | 第19页 |
| 1.4.2 创新之处 | 第19-20页 |
| 第2章 个人信用风险理论及随机森林模型概述 | 第20-28页 |
| 2.1 个人信用风险理论概述 | 第20-21页 |
| 2.1.1 个人信用风险界定与分析 | 第20页 |
| 2.1.2 个人信用风险的影响因素分析 | 第20-21页 |
| 2.2 随机森林模型概述 | 第21-28页 |
| 2.2.1 决策树算法 | 第21-23页 |
| 2.2.2 集成学习模型 | 第23-25页 |
| 2.2.3 随机森林模型及其在个人信用风险评估中的适用性 | 第25-28页 |
| 第3章 个人信用风险评估指标体系的构建及数据准备 | 第28-32页 |
| 3.1 构建个人信用风险评估模型的思路 | 第28页 |
| 3.2 指标体系的构建 | 第28-30页 |
| 3.3 数据预处理 | 第30-32页 |
| 3.3.1 缺失值处理 | 第30页 |
| 3.3.2 相关性检验 | 第30-32页 |
| 第4章 基于随机森林模型的个人信用风险评估实证分析 | 第32-43页 |
| 4.1 随机森林模型的参数选择 | 第32-36页 |
| 4.1.1 Boruta算法选取特征 | 第32-35页 |
| 4.1.2 ntree的选择 | 第35-36页 |
| 4.1.3 mtry的选择 | 第36页 |
| 4.2 随机森林模型预测最终结果 | 第36-39页 |
| 4.2.1 基于Lending Club数据集的实证结果 | 第36-37页 |
| 4.2.2 不平衡数据集的处理 | 第37-39页 |
| 4.3 随机森林模型与逻辑回归模型的比较 | 第39-43页 |
| 4.3.1 逻辑回归模型的基本思想 | 第39-40页 |
| 4.3.2 逻辑回归模型预测最终结果 | 第40-42页 |
| 4.3.3 两种信用评估模型的比较分析 | 第42-43页 |
| 第5章 政策建议 | 第43-46页 |
| 5.1 建立完善的信用管理法律体系 | 第43-44页 |
| 5.2 培养良好的个人信用意识 | 第44页 |
| 5.3 制定个人信用风险评估体系的评估要素 | 第44-45页 |
| 5.4 搭建完整的个人信用风险管理数据库 | 第45-46页 |
| 结论 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52页 |
