| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第7-12页 |
| 第1节 研究背景及研究意义 | 第7-9页 |
| 1 研究背景 | 第7-8页 |
| 2 研究意义 | 第8-9页 |
| 第2节 研究内容及研究方法 | 第9-11页 |
| 1 研究内容 | 第9-10页 |
| 2 研究方法 | 第10-11页 |
| 3 研究思路图 | 第11页 |
| 第3节 创新性工作 | 第11-12页 |
| 第2章 国内外文献综述 | 第12-17页 |
| 第1节 国外相关文献综述 | 第13-14页 |
| 第2节 国内相关文献综述 | 第14-16页 |
| 第3节 文献述评 | 第16-17页 |
| 第3章 理论概述 | 第17-29页 |
| 第1节 使用机器学习算法进行信用风险建模的原因和意义 | 第17-18页 |
| 第2节 相关算法的介绍 | 第18-25页 |
| 1 Logistic回归模型 | 第19-20页 |
| 2 机器学习Boosting集成算法 | 第20-23页 |
| 3 LightGBM算法 | 第23-25页 |
| 第3节 机器学习模型性能检验 | 第25-29页 |
| 1 交叉验证 | 第25-27页 |
| 2 错误率与精度 | 第27页 |
| 3 ROC曲线与AUC值 | 第27-29页 |
| 第4章 实证分析 | 第29-45页 |
| 第1节 国内某互联网金融公司样本数据实证分析 | 第29-40页 |
| 1 数据清洗 | 第29-35页 |
| 2 训练集与测试集的划分 | 第35页 |
| 3 建立模型 | 第35-40页 |
| 第2节 LendingClub数据实践对比分析 | 第40-45页 |
| 1 数据集获取 | 第41页 |
| 2 建立模型 | 第41-45页 |
| 第5章 结论与展望 | 第45-47页 |
| 第1节 结论 | 第45页 |
| 第2节 本文研究的局限性及展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |