| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 选题背景与研究意义 | 第8-9页 |
| 1.1.1 选题背景 | 第8-9页 |
| 1.1.2 研究目的和意义 | 第9页 |
| 1.2 国内外在机器学习应用于网贷上的研究现状 | 第9-12页 |
| 1.2.1 机器学习的研究状况 | 第9-11页 |
| 1.2.2 国外网贷行业的发展现状 | 第11-12页 |
| 1.2.3 国内网贷行业的发展现状 | 第12页 |
| 1.3 本文主要研究内容 | 第12-14页 |
| 第2章 决策引擎需求分析与总体设计 | 第14-25页 |
| 2.1 决策引擎需求分析 | 第14-19页 |
| 2.1.1 业务分析 | 第14-16页 |
| 2.1.2 功能性需求分析 | 第16-18页 |
| 2.1.3 非功能性需求分析 | 第18-19页 |
| 2.2 决策引擎总体设计 | 第19-24页 |
| 2.2.1 决策引擎总体架构 | 第19-20页 |
| 2.2.2 决策引擎功能设计 | 第20-21页 |
| 2.2.3 违约预测模型设计 | 第21-22页 |
| 2.2.4 决策引擎数据库设计 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 关键技术分析 | 第25-31页 |
| 3.1 机器学习概念 | 第25页 |
| 3.2 机器学习算法 | 第25-30页 |
| 3.2.1 Logistic回归 | 第26页 |
| 3.2.2 支持向量机 | 第26-27页 |
| 3.2.3 随机森林 | 第27-28页 |
| 3.2.4 神经网络 | 第28-29页 |
| 3.2.5 XGBoost | 第29-30页 |
| 3.2.6 Stacking集成策略 | 第30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 数据处理 | 第31-43页 |
| 4.1 数据采集 | 第31-32页 |
| 4.2 数据预处理 | 第32-36页 |
| 4.2.1 处理特征名 | 第32页 |
| 4.2.2 填补空值 | 第32-34页 |
| 4.2.3 识别与去除异常值 | 第34-36页 |
| 4.3 特征工程 | 第36-42页 |
| 4.3.1 特征编码 | 第36-37页 |
| 4.3.2 特征提取 | 第37-39页 |
| 4.3.3 数据标准化 | 第39-40页 |
| 4.3.4 特征选择 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 决策引擎详细设计与实现 | 第43-78页 |
| 5.1 预测模型的实现 | 第43-62页 |
| 5.1.1 模型评估指标 | 第43-45页 |
| 5.1.2 初级学习器训练 | 第45-57页 |
| 5.1.3 基于Stacking集成策略的次级学习器训练 | 第57-60页 |
| 5.1.4 模型验证 | 第60-62页 |
| 5.2 决策引擎的设计与实现 | 第62-77页 |
| 5.2.1 初始化模块设计与实现 | 第64-65页 |
| 5.2.2 数据处理模块设计与实现 | 第65-71页 |
| 5.2.3 模型管理模块设计与实现 | 第71-73页 |
| 5.2.4 预测模块设计与实现 | 第73-74页 |
| 5.2.5 持久化模块设计与实现 | 第74-77页 |
| 5.3 本章小结 | 第77-78页 |
| 第6章 决策引擎测试 | 第78-84页 |
| 6.1 测试方案 | 第78页 |
| 6.2 功能测试 | 第78-80页 |
| 6.3 性能测试 | 第80-82页 |
| 6.4 测试结论 | 第82-83页 |
| 6.5 本章小结 | 第83-84页 |
| 结论 | 第84-85页 |
| 主要参考文献 | 第85-89页 |
| 致谢 | 第89-90页 |
| 个人简历 | 第90页 |