| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究思路与框架 | 第11-14页 |
| 1.2.1 研究思路 | 第11-12页 |
| 1.2.2 研究框架 | 第12-14页 |
| 1.3 研究内容和方法 | 第14-16页 |
| 2 文献综述 | 第16-24页 |
| 2.1 P2P网络借贷的金融创新 | 第16-20页 |
| 2.1.1 P2P网络借贷模式的创新 | 第16-17页 |
| 2.1.2 P2P网络借贷的风险分析 | 第17页 |
| 2.1.3 P2P网络借贷行业的现状 | 第17-20页 |
| 2.2 P2P网络借贷违约风险问题相关研究 | 第20-23页 |
| 2.2.1 国内P2P网络借贷违约风险问题研究现状 | 第20-22页 |
| 2.2.2 国外P2P网络借贷违约风险问题研究现状 | 第22-23页 |
| 2.3 机器学习在互联网金融中的应用 | 第23-24页 |
| 3 特征工程 | 第24-38页 |
| 3.1 特征工程技术及其处理流程 | 第24-26页 |
| 3.1.1 特征工程技术 | 第24-26页 |
| 3.1.2 特征工程的处理流程 | 第26页 |
| 3.2 数据预处理 | 第26-29页 |
| 3.2.1 数据收集 | 第27页 |
| 3.2.2 数据清洗 | 第27-29页 |
| 3.3 特征构建 | 第29-33页 |
| 3.3.1 单变量处理与分析 | 第29-32页 |
| 3.3.2 多变量处理与分析 | 第32-33页 |
| 3.4 特征选择 | 第33-36页 |
| 3.5 特征提取 | 第36-38页 |
| 4 Boosting-SVM算法 | 第38-54页 |
| 4.1 P2P网络借贷违约风险识别模型 | 第38-39页 |
| 4.2 支持向量机算法原理 | 第39-43页 |
| 4.2.1 线性支持向量机 | 第39-42页 |
| 4.2.2 非线性支持向量机 | 第42-43页 |
| 4.3 AdaBoost算法 | 第43-46页 |
| 4.3.1 AdaBoost算法原理 | 第44-45页 |
| 4.3.2 AdaBoost算法的改进方向 | 第45-46页 |
| 4.4 Boosting-SVM算法 | 第46-54页 |
| 4.4.1 Boosting-SVM算法原理 | 第47-50页 |
| 4.4.2 Boosting-SVM算法求解 | 第50-54页 |
| 5 实验与总结 | 第54-60页 |
| 5.1 分类评价指标的选取 | 第54-55页 |
| 5.2 算法改进的验证 | 第55-57页 |
| 5.3 P2P网络借贷用户数据集实验 | 第57-59页 |
| 5.4 实验总结 | 第59-60页 |
| 6 结论与展望 | 第60-63页 |
| 6.1 结论 | 第60-61页 |
| 6.2 本文的创新点 | 第61-62页 |
| 6.3 本文的局限性 | 第62页 |
| 6.4 未来的研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 后记 | 第67-68页 |