集成分类器及其在个人信用评估的应用
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题的背景与意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·个人信用评估的基础知识 | 第10-11页 |
| ·本文的主要工作与流程图 | 第11-12页 |
| ·数据来源 | 第12-14页 |
| 第二章 常见的单分类器 | 第14-22页 |
| ·判别分析 | 第14-15页 |
| ·K-Means算法 | 第15页 |
| ·最小近邻算法 | 第15-17页 |
| ·Logistic回归模型 | 第17-18页 |
| ·树方法—分类回归树(CART) | 第18-22页 |
| ·分类回归树(CART)的原理 | 第18-19页 |
| ·分类回归树的图形表示 | 第19页 |
| ·不纯度函数与拆分规则 | 第19-21页 |
| ·分类回归树的优缺点 | 第21-22页 |
| 第三章 集成分类器模型 | 第22-35页 |
| ·集成学习方法 | 第22-25页 |
| ·集成方法的工作原理 | 第22-23页 |
| ·构建集成分类器的方法 | 第23-25页 |
| ·Bagging | 第25-26页 |
| ·随机森林 | 第26-28页 |
| ·随机森林简要介绍 | 第26-27页 |
| ·随机森林中变量重要性的计算 | 第27-28页 |
| ·Boosting | 第28-33页 |
| ·Boosting算法的产生与发展 | 第28-29页 |
| ·Boosting算法的过程 | 第29-30页 |
| ·Boosting算法的介绍 | 第30-32页 |
| ·Boosting中变量重要性的计算 | 第32-33页 |
| ·Bagging,RF与Boosting的异同 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 各种分类器在个人信用分类中的应用 | 第35-48页 |
| ·数据来源及其预处理 | 第35-37页 |
| ·数据来源 | 第35-36页 |
| ·数据预处理 | 第36页 |
| ·分类器性能的估计 | 第36-37页 |
| ·相关性分析和主成分分析 | 第37页 |
| ·单分类器的信用评估分类结果 | 第37-43页 |
| ·判别分析 | 第37-38页 |
| ·2-Means | 第38-39页 |
| ·最小近邻法 | 第39-40页 |
| ·Logistic模型 | 第40-41页 |
| ·CART | 第41-42页 |
| ·单分类器效果汇总 | 第42-43页 |
| ·集成分类器的信用评估分类结果 | 第43-46页 |
| ·RF分类结果 | 第43-45页 |
| ·Boosting算法分类结果 | 第45-46页 |
| ·分类结果对比研究 | 第46-48页 |
| 第五章 基于集成分类器的个人信用评分体系 | 第48-56页 |
| ·基于集成分类器的信用指标评分细则 | 第48-49页 |
| ·集成分类器识别个人评估指标对信用状况的影响程度 | 第48-49页 |
| ·信用评估指标各取值的评分设置 | 第49页 |
| ·信用指标体系的构建 | 第49-50页 |
| ·新评分体系的评价 | 第50-54页 |
| ·RF | 第50-52页 |
| ·Boosting | 第52-54页 |
| ·对比研究 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| ·论文总结 | 第56-57页 |
| ·论文展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
