随机森林优化算法在农户信用风险评估中的应用
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-25页 |
| 第一节 研究背景与意义 | 第10-12页 |
| 第二节 国内外研究动态 | 第12-21页 |
| 一、国外研究动态 | 第12-16页 |
| 二、国内研究动态 | 第16-20页 |
| 三、国内外研究动态评析 | 第20-21页 |
| 第三节 研究内容与研究方法 | 第21-22页 |
| 一、研究内容 | 第21页 |
| 二、研究方法 | 第21-22页 |
| 第四节 研究思路与创新之处 | 第22-25页 |
| 一、研究思路 | 第22-23页 |
| 二、创新之处 | 第23-25页 |
| 第二章 农户小额信贷风险理论与评估方法 | 第25-37页 |
| 第一节 农户小额信贷风险理论 | 第25-29页 |
| 一、农户小额信贷的概念 | 第25-26页 |
| 二、农户小额信贷风险的分类 | 第26-27页 |
| 三、农户小额信贷风险的特点 | 第27-28页 |
| 四、农户小额信贷发展历程 | 第28-29页 |
| 第二节 农户小额信贷风险评估方法 | 第29-37页 |
| 一、逻辑回归 | 第29-30页 |
| 二、BP神经网络 | 第30-33页 |
| 三、遗传算法 | 第33-35页 |
| 四、支持向量机 | 第35-37页 |
| 第三章 随机森林优化算法模型 | 第37-45页 |
| 第一节 随机森林方法理论 | 第37-42页 |
| 一、决策树分类算法 | 第37-39页 |
| 二、ID3算法 | 第39页 |
| 三、C4.5算法 | 第39-40页 |
| 四、Bagging算法概述 | 第40-41页 |
| 五、随机森林算法流程 | 第41-42页 |
| 第二节 随机森林优化模型构建 | 第42-45页 |
| 第四章 A省农户小额信贷风险评估的实证研究 | 第45-68页 |
| 第一节 农户小额信贷风险的影响因素 | 第45-47页 |
| 一、借贷双方信息不对称 | 第45页 |
| 二、农村信用社贷前审查机制不完善 | 第45-46页 |
| 三、农村信用社风险管理水平 | 第46页 |
| 四、其他因素 | 第46-47页 |
| 第二节 数据采集与指标体系构建 | 第47-52页 |
| 一、指标选择 | 第47页 |
| 二、量化指标 | 第47-52页 |
| 三、指标数据采集与输出变量赋值 | 第52页 |
| 第三节 随机森林优化模型实证分析 | 第52-68页 |
| 一、模型评价指标 | 第52-56页 |
| 二、实证结果分析 | 第56-68页 |
| 第五章 结论与展望 | 第68-70页 |
| 第一节 研究结论 | 第68-69页 |
| 第二节 不足与展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文和研究成果 | 第75页 |
