| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 论文可能的创新点 | 第10-11页 |
| 1.3 研究思路及框架 | 第11-12页 |
| 第2章 小微企业信用评估相关理论及文献综述 | 第12-20页 |
| 2.1 小微企业的界定及其现状 | 第12-13页 |
| 2.2 小微企业贷款困难的原因 | 第13-15页 |
| 2.3 现有小微授信业务风险评估方式介绍 | 第15-16页 |
| 2.4 信用评估方法相关国内外文献综述 | 第16-18页 |
| 2.4.1 传统信用评估方法 | 第16页 |
| 2.4.2 国外信用评估模型发展及研究现状 | 第16-17页 |
| 2.4.3 国内信用评估模型发展及研究现状 | 第17-18页 |
| 2.5 本章小结 | 第18-20页 |
| 第3章 分类模型及变量选择方法介绍 | 第20-39页 |
| 3.1 分类模型介绍 | 第20-35页 |
| 3.1.1 随机森林 | 第20-24页 |
| 3.1.2 BP (Back Propagation)神经网络 | 第24-28页 |
| 3.1.3 Logistic回归 | 第28-30页 |
| 3.1.4 半参数logistic回归模型 | 第30-35页 |
| 3.2 非参数变量选择及变量分类方法介绍 | 第35-39页 |
| 3.2.1 非参数变量选择 | 第35-37页 |
| 3.2.2 线性变量与非线性变量的区分 | 第37-39页 |
| 第4章 模型性能的ROC曲线评估 | 第39-41页 |
| 4.1 ROC曲线的定义 | 第39-40页 |
| 4.2 ROC曲线的模型性能评价 | 第40-41页 |
| 第5章 数据选取及预处理 | 第41-44页 |
| 5.1 数据选取 | 第41-43页 |
| 5.2 数据预处理 | 第43-44页 |
| 第6章 机器学习的实证结果 | 第44-48页 |
| 6.1 各分类器实证结果 | 第44-46页 |
| 6.2 二分类模型性能比较 | 第46-48页 |
| 第7章 结合变量选择方法的实证分析结果 | 第48-61页 |
| 7.1 非参数变量选择 | 第48-49页 |
| 7.2 各模型预测结果 | 第49-51页 |
| 7.2.1 Logistic回归 | 第49-50页 |
| 7.2.2 BP神经网络 | 第50页 |
| 7.2.3 随机森林 | 第50-51页 |
| 7.3 二分类模型性能比较 | 第51-52页 |
| 7.4 指标重要性评分分析 | 第52-54页 |
| 7.5 对于分类结果的进一步解释 | 第54-61页 |
| 7.5.1 线性变量以及非线性变量的区分 | 第55-56页 |
| 7.5.2 结合半参数Logistic回归的解释结果 | 第56-61页 |
| 第8章 结论与展望 | 第61-63页 |
| 8.1 结论 | 第61-62页 |
| 8.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |