基于支持向量机的个人信用评估研究
| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-31页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 个人信用评估的发展 | 第14-16页 |
| 1.3 个人信用评估技术综述 | 第16-26页 |
| 1.3.1 传统评估方法 | 第17-19页 |
| 1.3.2 人工智能信用评估 | 第19-23页 |
| 1.3.3 组合优化评估方法 | 第23-26页 |
| 1.3.4 研究评述 | 第26页 |
| 1.4 本文研究内容与组织结构 | 第26-28页 |
| 1.4.1 研究内容 | 第26-27页 |
| 1.4.2 技术路线 | 第27-28页 |
| 1.5 本文创新点 | 第28-31页 |
| 第二章 相关理论基础 | 第31-45页 |
| 2.1 个人信用评估理论 | 第31-36页 |
| 2.1.1 分类问题 | 第31-33页 |
| 2.1.2 信用评估的指标体系 | 第33-35页 |
| 2.1.3 指标选取原则 | 第35页 |
| 2.1.4 信用数据的处理 | 第35-36页 |
| 2.2 统计学习理论 | 第36-38页 |
| 2.2.1 机器学习 | 第36-37页 |
| 2.2.2 VC维 | 第37页 |
| 2.2.3 推广性的界 | 第37-38页 |
| 2.2.4 结构风险最小化 | 第38页 |
| 2.3 支持向量机原理 | 第38-43页 |
| 2.3.1 支持向量机的提出 | 第38-40页 |
| 2.3.2 线性可分问题 | 第40-41页 |
| 2.3.3 线性不可分问题 | 第41-42页 |
| 2.3.4 基于Mercer核的非线性问题 | 第42-43页 |
| 2.4 支持向量机的特点 | 第43-45页 |
| 第三章 SVM信用评估模型的构建 | 第45-57页 |
| 3.1 信用数据的来源与介绍 | 第45-46页 |
| 3.1.1 数据来源 | 第45页 |
| 3.1.2 数据介绍 | 第45-46页 |
| 3.2 信用数据预处理 | 第46-51页 |
| 3.2.1 数据赋值 | 第46-48页 |
| 3.2.2 数据标准化处理 | 第48-51页 |
| 3.3 基于信息价值的指标筛选 | 第51-53页 |
| 3.3.1 信息价值法 | 第51-52页 |
| 3.3.2 指标信息价值的计算 | 第52-53页 |
| 3.4 信用评估模型的检验标准 | 第53-54页 |
| 3.4.1 混淆矩阵 | 第53-54页 |
| 3.4.2 分类准确率 | 第54页 |
| 3.5 支持向量机实验结果 | 第54-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第四章 基于群智能算法的SVM优化 | 第57-77页 |
| 4.1 SVM优化原理 | 第57-58页 |
| 4.2 群智能优化算法 | 第58-59页 |
| 4.2.1 群智能算法介绍 | 第58页 |
| 4.2.2 实验设计 | 第58-59页 |
| 4.2.3 选取对比数据集 | 第59页 |
| 4.3 三种群智能算法下的SVM模型优化 | 第59-71页 |
| 4.3.1 GA-SVM | 第59-63页 |
| 4.3.2 PSO-SVM | 第63-67页 |
| 4.3.3 GWO-SVM | 第67-71页 |
| 4.4 比较研究 | 第71-76页 |
| 4.4.1 参数优化的效果 | 第72页 |
| 4.4.2 对比网格搜索算法 | 第72-75页 |
| 4.4.3 指标筛选对SVM的影响 | 第75-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 结论与展望 | 第77-81页 |
| 5.1 全文总结 | 第77-78页 |
| 5.2 研究展望 | 第78-81页 |
| 参考文献 | 第81-85页 |
| 附录 | 第85-91页 |
| 致谢 | 第91-93页 |
| 作者及导师简介 | 第93-94页 |
| 附件 | 第94-95页 |
