结合经济学模型的银行信用风险统计分析
| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文内容及组织结构 | 第15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 分类算法及特征选择 | 第16-31页 |
| 2.1 机器学习的概念 | 第16页 |
| 2.2 机器学习常用模型 | 第16-26页 |
| 2.2.1 支持向量机 | 第16-18页 |
| 2.2.2 人工神经网络 | 第18-19页 |
| 2.2.3 贝叶斯方法 | 第19-20页 |
| 2.2.4 决策树 | 第20-26页 |
| 2.3 特征选择 | 第26-29页 |
| 2.3.1 特征选择的概念 | 第26页 |
| 2.3.2 主成分分析法 | 第26-29页 |
| 2.4 模型对比及分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 经济学理论及模型 | 第31-36页 |
| 3.1 CRM分析模式 | 第31页 |
| 3.2 RFM模型 | 第31-33页 |
| 3.2.1 RFM模型介绍 | 第31-33页 |
| 3.2.2 RFM模型重构 | 第33页 |
| 3.3 STP理论 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 实证分析 | 第36-47页 |
| 4.1 银行数据预处理及特征描述 | 第36-39页 |
| 4.1.1 数据预处理 | 第36-37页 |
| 4.1.2 特征交叉分析 | 第37-39页 |
| 4.2 基于随机森林的银行信用风险分析 | 第39-42页 |
| 4.3 主成分对银行信用风险的分析 | 第42-45页 |
| 4.4 基于主成分的STP理论对信用风险的建议 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 附录：读研期间科研情况 | 第55页 |
