| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-10页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 研究内容及主要工作 | 第9-10页 |
| 第二章 数据挖掘方法 | 第10-19页 |
| 2.1 数据挖掘简述 | 第10-11页 |
| 2.2 本文所涉及的数据挖掘方法 | 第11-19页 |
| 2.2.1 SVM | 第11-13页 |
| 2.2.2 kNN | 第13-14页 |
| 2.2.3 决策树 | 第14-16页 |
| 2.2.4 随机森林 | 第16-17页 |
| 2.2.5 LightGBM | 第17-19页 |
| 第三章 信用卡用户数据集 | 第19-24页 |
| 3.1 数据来源与认识 | 第19-20页 |
| 3.2 数据检查与预处理 | 第20页 |
| 3.3 描述统计分析 | 第20-24页 |
| 3.3.1 数值型变量描述统计分析 | 第21-22页 |
| 3.3.2 分类变量描述统计分析 | 第22-24页 |
| 第四章 实证分析 | 第24-31页 |
| 4.1 评价指标 | 第24页 |
| 4.2 数据分析与建模 | 第24-29页 |
| 4.2.1 基于SVM的信用卡违约预测模型 | 第25页 |
| 4.2.2 基于kNN的信用卡违约预测模型 | 第25-26页 |
| 4.2.3 基于决策树的信用卡违约预测模型 | 第26-28页 |
| 4.2.4 基于随机森林的信用卡违约预测模型 | 第28页 |
| 4.2.5 基于LightGBM的信用卡违约预测模型 | 第28-29页 |
| 4.3 模型比较 | 第29页 |
| 4.4 结论 | 第29-31页 |
| 研究展望 | 第31-32页 |
| 参考文献 | 第32-34页 |
| 致谢 | 第34页 |