信用风险评估模型研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 国内研究现状 | 第8-10页 |
| 1.2.2 国外研究现状 | 第10-11页 |
| 1.3 研究思路与研究内容 | 第11-13页 |
| 1.3.1 研究思路 | 第11页 |
| 1.3.2 研究内容 | 第11-13页 |
| 2 信用风险评估模型综述 | 第13-24页 |
| 2.1 信用风险评估概述 | 第13-16页 |
| 2.1.1 信用风险的定义 | 第13-14页 |
| 2.1.2 信用风险评估的定义 | 第14页 |
| 2.1.3 信用风险的特征与特点 | 第14-16页 |
| 2.2 信用风险评估的主要模型 | 第16-24页 |
| 2.2.1 传统信用风险评估模型 | 第16-18页 |
| 2.2.2 现代信用风险评估模型 | 第18-24页 |
| 3 机器学习理论概述 | 第24-29页 |
| 3.1 机器学习概述 | 第24页 |
| 3.2 数据预处理 | 第24-25页 |
| 3.2.1 相关概念 | 第24-25页 |
| 3.2.2 数据规范化 | 第25页 |
| 3.3 属性选择方法 | 第25-27页 |
| 3.4 不平衡类问题 | 第27-29页 |
| 3.4.1 可选度量 | 第27-28页 |
| 3.4.2 k 折交叉验证 | 第28-29页 |
| 4 支持向量机基本理论 | 第29-36页 |
| 4.1 统计学习理论 | 第29-31页 |
| 4.1.1 经验风险 | 第29页 |
| 4.1.2 学习过程一致性与 VC 维 | 第29-30页 |
| 4.1.3 结构风险最小化原则 | 第30-31页 |
| 4.2 核理论 | 第31-32页 |
| 4.2.1 Mercer 核 | 第31页 |
| 4.2.2 常用的核函数 | 第31-32页 |
| 4.3 支持向量机(SVM)分类器 | 第32-36页 |
| 4.3.1 线性可分 SVM | 第32-35页 |
| 4.3.2 非线性可分 SVM | 第35-36页 |
| 5 基于 SVM 的信用风险评估新模型 | 第36-43页 |
| 5.1 研讨问题的描述 | 第36页 |
| 5.2 模糊最小二乘支持向量机模型的构造 | 第36-38页 |
| 5.3 分类器参数选择的方法 | 第38-40页 |
| 5.3.1 网格搜索法 | 第38-39页 |
| 5.3.2 试验设计法 | 第39-40页 |
| 5.4 模型求解算法 | 第40-41页 |
| 5.5 算例分析 | 第41-43页 |
| 5.5.1 样本数据来源及分布 | 第41页 |
| 5.5.2 实验结果及分析 | 第41-43页 |
| 6 总结与展望 | 第43-44页 |
| 6.1 总结 | 第43页 |
| 6.2 展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 附录 | 第47页 |
