| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 选题背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 国外相关研究 | 第16-17页 |
| 1.2.2 国内研究现状 | 第17-18页 |
| 1.3 本文的内容安排 | 第18-19页 |
| 第二章 数据挖掘与商业银行客户信用风险评估 | 第19-31页 |
| 2.1 数据挖掘的概述 | 第19-20页 |
| 2.1.1 数据挖掘的定义 | 第19页 |
| 2.1.2 数据挖掘的过程 | 第19-20页 |
| 2.2 本文的数据挖掘方法 | 第20-26页 |
| 2.2.1 Logistic回归 | 第20-22页 |
| 2.2.2 决策树 | 第22-23页 |
| 2.2.3 神经网络 | 第23-25页 |
| 2.2.4 集成学习 | 第25-26页 |
| 2.3 个人信用评估的概述 | 第26-27页 |
| 2.3.1 个人信用评估的定义 | 第26页 |
| 2.3.2 个人信用风险评估的主要影响因素 | 第26-27页 |
| 2.4 数据挖掘技术在商业银行个人信用风险评估中的应用 | 第27-29页 |
| 2.4.1 数据挖掘技术在商业银行的应用领域分析 | 第27-29页 |
| 2.4.2 数据挖掘技术在信用风险管理中的应用优势 | 第29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于数据挖掘单算法模型的实证分析 | 第31-49页 |
| 3.1 个人信用评估数据准备 | 第31-38页 |
| 3.1.1 数据获取 | 第31-35页 |
| 3.1.2 数据处理 | 第35页 |
| 3.1.3 数据的描述性统计分析 | 第35-38页 |
| 3.2 基于Logistic回归模型的实证分析 | 第38-43页 |
| 3.2.1 Logistic个人信用评估模型的建立 | 第38-41页 |
| 3.2.2 Logistic模型结果评价 | 第41-43页 |
| 3.3 基于决策树模型的实证分析 | 第43-45页 |
| 3.3.1 决策树个人信用评估模型的建立 | 第43-44页 |
| 3.3.2 模型优化 | 第44-45页 |
| 3.4 基于神经网络模型的实证分析 | 第45-47页 |
| 3.4.1 神经网络个人信用评估模型的建立 | 第45页 |
| 3.4.2 模型优化 | 第45-47页 |
| 3.5 单算法模型结果分析 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于集成模型和组合优化模型的实证分析 | 第49-59页 |
| 4.1 集成模型 | 第49-53页 |
| 4.1.1 基于boosting集成模型的实证分析 | 第49-51页 |
| 4.1.2 基于随机森林集成模型的实证分析 | 第51-53页 |
| 4.2 遗传算法与神经网络组合优化模型 | 第53-56页 |
| 4.2.1 遗传算法的基本原理 | 第53页 |
| 4.2.2 组合优化模型算法流程 | 第53-54页 |
| 4.2.3 基于组合优化模型的实证分析 | 第54-56页 |
| 4.3 单模型、集成模型及组合优化模型结果分析 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-68页 |
