| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-22页 |
| 1．1 引言 | 第10页 |
| 1．2 论文研究内容 | 第10-18页 |
| 1．2．1 应用背景概述 | 第10-13页 |
| 1．2．2 数据挖掘在银行的应用 | 第13页 |
| 1．2．3 个人住房贷款的现状 | 第13-14页 |
| 1．2．4 个人信用评估方法 | 第14-15页 |
| 1．2．5 个人信用评估方法的改进 | 第15-18页 |
| 1．3 论文研究背景 | 第18-21页 |
| 1．3．1 分类预测 | 第18-19页 |
| 1．3．2 常用分类方法介绍 | 第19-20页 |
| 1．3．3 选用支持向量机的原因 | 第20-21页 |
| 1．4 本文的主要工作 | 第21-22页 |
| 2 支持向量机概述 | 第22-34页 |
| 2．1 支持向量机理论基础 | 第22-26页 |
| 2．1．1 机器学习问题的表示 | 第22-23页 |
| 2．1．2 经验风险最小化 | 第23页 |
| 2．1．3 复杂性与推广能力 | 第23-24页 |
| 2．1．4 统计学习理论的核心内容 | 第24页 |
| 2．1．5 VC维 | 第24页 |
| 2．1．6 推广性的界 | 第24-25页 |
| 2．1．7 结构风险最小化 | 第25-26页 |
| 2．2 支持向量机 | 第26-33页 |
| 2．2．1 线性可分SVM | 第26-29页 |
| 2．2．2 线性不可分SVM | 第29-30页 |
| 2．2．3 非线性可分SVM | 第30-31页 |
| 2．2．4 KKT条件 | 第31-32页 |
| 2．2．5 SVM多类分类问题 | 第32-33页 |
| 2．3 支持向量机的研究现状 | 第33-34页 |
| 3 支持向量机算法研究 | 第34-46页 |
| 3．1 块算法 | 第34页 |
| 3．2 固定工作样本集算法 | 第34-35页 |
| 3．3 序列最小最优化算法 | 第35-42页 |
| 3．3．1 优化两个Lagrange乘子 | 第35-40页 |
| 3．3．2 Lagrange乘子的选择 | 第40-41页 |
| 3．3．3 更新阈值b | 第41-42页 |
| 3．3．4 更新误差Ei | 第42页 |
| 3．4 Chunking、Osuna、SMO算法比较 | 第42-43页 |
| 3．5 SMO算法改进 | 第43-46页 |
| 3．5．1 不使用阈值b检查KKT条件 | 第43-44页 |
| 3．5．2 SMO算法存在的问题 | 第44-45页 |
| 3．5．3 对阈值参数b_(up)和b_(low)的维护和更新 | 第45-46页 |
| 4 原型系统的设计与实现 | 第46-66页 |
| 4．1 数据采集 | 第47-49页 |
| 4．2 数据预处理模块 | 第49-56页 |
| 4．2．1 数据清理 | 第49-52页 |
| 4．2．2 数据集成 | 第52页 |
| 4．2．3 数据变换 | 第52-54页 |
| 4．2．4 数据归约 | 第54-55页 |
| 4．2．5 模块功能介绍 | 第55-56页 |
| 4．3 学习模块 | 第56-63页 |
| 4．3．1 核心算法 | 第56-58页 |
| 4．3．2 个人房贷信用风险评估模型 | 第58-59页 |
| 4．3．3 模块功能介绍 | 第59-63页 |
| 4．4 分类预测模块 | 第63-66页 |
| 4．4．1 模块功能介绍 | 第63页 |
| 4．4．2 预测准确性评估方法 | 第63-64页 |
| 4．4．3 模型预测正确率对比 | 第64-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 攻读硕士学位期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-71页 |
| 大连理工大学学位论文版权使用授权书 | 第71页 |