| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-27页 |
| 1．1 数据挖掘与银行客户分析 | 第9-12页 |
| 1．1．1 客户关系管理概念 | 第9页 |
| 1．1．2 银行客户分析的必要性 | 第9-11页 |
| 1．1．3 数据挖掘的概念 | 第11页 |
| 1．1．4 数据挖掘为银行客户分析提供技术支持 | 第11-12页 |
| 1．2 支持向量机理论 | 第12-18页 |
| 1．2．1 统计学习理论与VC维理论 | 第13-14页 |
| 1．2．2 推广性的界 | 第14页 |
| 1．2．3 结构风险最小化原理 | 第14-15页 |
| 1．2．4 最优超平面 | 第15-16页 |
| 1．2．5 核函数 | 第16-17页 |
| 1．2．6 支持向量机的优势及应用意义 | 第17-18页 |
| 1．3 国内外研究情况综述 | 第18-25页 |
| 1．3．1 支持向量机分类算法 | 第18-19页 |
| 1．3．2 支持向量机回归算法 | 第19-21页 |
| 1．3．3 支持向量机算法综述 | 第21-23页 |
| 1．3．4 支持向量机应用综述 | 第23-25页 |
| 1．4 研究内容及论文结构 | 第25-27页 |
| 2 广义加权型支持向量回归机 | 第27-34页 |
| 2．1 问题的提出 | 第27页 |
| 2．2 模型描述 | 第27-28页 |
| 2．3 支持向量回归求解 | 第28-30页 |
| 2．4 解的推广情况 | 第30-33页 |
| 2．5 小结 | 第33-34页 |
| 3 多维输出问题的支持向量回归解决方案 | 第34-39页 |
| 3．1 多维输出问题 | 第34-35页 |
| 3．2 模型描述 | 第35-36页 |
| 3．3 解的描述 | 第36-38页 |
| 3．4 小结 | 第38-39页 |
| 4 支持向量方法在银行客户分析的应用研究 | 第39-54页 |
| 4．1 支持向量分类方法在银行客户个人信用评估中的应用 | 第39-42页 |
| 4．1．1 问题的提出 | 第39页 |
| 4．1．2 样本选择 | 第39-40页 |
| 4．1．3 数据预处理 | 第40-41页 |
| 4．1．4 训练检验 | 第41-42页 |
| 4．1．5 小结 | 第42页 |
| 4．2 支持向量分类方法在银行客户群体分类的应用 | 第42-48页 |
| 4．2．1 问题的提出 | 第42-43页 |
| 4．2．2 数据准备 | 第43-44页 |
| 4．2．3 数据预处理 | 第44-45页 |
| 4．2．4 数据规范化 | 第45-46页 |
| 4．2．5 训练检验 | 第46-48页 |
| 4．2．6 小结 | 第48页 |
| 4．3 多维输出的支持向量回归方法在银行客户盈利能力分析中的应用 | 第48-54页 |
| 4．3．1 问题的提出 | 第48-49页 |
| 4．3．2 数据准备 | 第49-50页 |
| 4．3．3 数据预处理及规范化 | 第50-51页 |
| 4．3．4 实验验证 | 第51-53页 |
| 4．3．5 小结 | 第53-54页 |
| 5 论文总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表学术论文情况 | 第59-60页 |
| 致谢 | 第60-61页 |
| 大连理工大学学位论文版权使用授权书 | 第61页 |