基于用户行为数据的P2P网贷违约预测
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11页 |
| 1.3 研究内容、方法和技术路线 | 第11-15页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 研究方法 | 第12-14页 |
| 1.3.3 技术路线 | 第14-15页 |
| 1.4 本文的主要贡献 | 第15-16页 |
| 第2章 文献综述与相关理论 | 第16-26页 |
| 2.1 文献综述 | 第16-19页 |
| 2.1.1 国外研究综述 | 第16-17页 |
| 2.1.2 国内研究综述 | 第17-18页 |
| 2.1.3 文献综述简评 | 第18-19页 |
| 2.2 相关理论与技术 | 第19-24页 |
| 2.2.1 信用风险理论 | 第19-20页 |
| 2.2.2 特征工程技术简介 | 第20-22页 |
| 2.2.3 Xgboost算法框架 | 第22-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 用户行为数据的分析及特征构造 | 第26-42页 |
| 3.1 用户行为数据的基本情况 | 第26-27页 |
| 3.2 用户行为数据的清洗与分析 | 第27-31页 |
| 3.2.1 数据的一致性 | 第28-29页 |
| 3.2.2 缺失与异常分析 | 第29-31页 |
| 3.2.3 数据清洗与分析模块程序设计 | 第31页 |
| 3.3 用户行为数据的特征构造 | 第31-37页 |
| 3.3.1 用户基本信息分析 | 第32-35页 |
| 3.3.2 用户修改及登录信息分析 | 第35-37页 |
| 3.4 特征子集的初筛 | 第37-41页 |
| 3.4.1 集中度分析 | 第38-39页 |
| 3.4.2 预测能力分析 | 第39-40页 |
| 3.4.3 相关性分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 用户违约预测模型的设计与分析 | 第42-57页 |
| 4.1 最优特征子集的筛选 | 第42-47页 |
| 4.1.1 特征选择方案设计 | 第42-43页 |
| 4.1.2 基于Xgboost框架的特征选择 | 第43-45页 |
| 4.1.3 过滤式选择 | 第45-47页 |
| 4.2 用户违约预测模型的建立 | 第47-51页 |
| 4.2.1 Xgboost模型参数调优 | 第47-49页 |
| 4.2.2 用户违约预测模型的确立 | 第49-51页 |
| 4.3 用户违约预测模型的评估与分析 | 第51-53页 |
| 4.3.1 模型预测能力及泛化能力分析 | 第51-52页 |
| 4.3.2 模型稳定性分析 | 第52页 |
| 4.3.3 模型评价 | 第52-53页 |
| 4.4 用户违约预测模型应用分析 | 第53-56页 |
| 4.4.1 用户预测结果分析 | 第53-55页 |
| 4.4.2 违约预测模型应用探讨 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文主要工作 | 第57页 |
| 5.2 存在的不足及下一步研究计划 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 | 第65-66页 |
