| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 主要符号说明 | 第15-16页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 研究动机、主要内容和章节结构 | 第17-21页 |
| 1.2.1 研究动机 | 第17-18页 |
| 1.2.2 主要内容和章节结构 | 第18-21页 |
| 1.3 本文的创新点 | 第21-23页 |
| 第二章 文献综述 | 第23-46页 |
| 2.1 信用评分的研究现状 | 第23-30页 |
| 2.1.1 基于统计学方法的信用评分 | 第23-25页 |
| 2.1.1.1 判别分析方法 | 第23-24页 |
| 2.1.1.2 回归分析方法 | 第24-25页 |
| 2.1.2 基于非参数方法的信用评分 | 第25-27页 |
| 2.1.2.1 最近邻方法 | 第25-26页 |
| 2.1.2.2 决策树 | 第26-27页 |
| 2.1.3 基于数学规划方法的信用评分 | 第27页 |
| 2.1.4 基人工智能方法的信用评分 | 第27-29页 |
| 2.1.4.1 神经网络方法 | 第27-28页 |
| 2.1.4.2 支持向量机方法 | 第28-29页 |
| 2.1.5 基于组合模型的信用评分 | 第29-30页 |
| 2.2 度量学习的基础知识 | 第30-36页 |
| 2.2.1 距离度量 | 第30-33页 |
| 2.2.2 度量学习 | 第33-34页 |
| 2.2.3 核方法 | 第34-36页 |
| 2.3 度量学习的研究现状 | 第36-44页 |
| 2.3.1 监督度量学习 | 第37-38页 |
| 2.3.2 无监督度量学习 | 第38-39页 |
| 2.3.3 半监督度量学习 | 第39-40页 |
| 2.3.4 非线性度量学习 | 第40-41页 |
| 2.3.5 度量学习的优化算法 | 第41-44页 |
| 2.4 现有研究的不足与本文的研究计划 | 第44-46页 |
| 第三章 基于监督度量学习的最近邻信用评分模型 | 第46-66页 |
| 3.1 引言 | 第46-49页 |
| 3.2 监督度量学习方法 | 第49-58页 |
| 3.2.1 改进的三元约束 | 第49-50页 |
| 3.2.2 线性监督度量学习方法 | 第50-53页 |
| 3.2.3 非线性监督度量学习方法 | 第53-55页 |
| 3.2.4 内蕴最速下降算法 | 第55-58页 |
| 3.3 监督度量学习方法有效性的评估 | 第58-61页 |
| 3.3.1 数据来源 | 第58-60页 |
| 3.3.2 实验结果 | 第60-61页 |
| 3.4 最近邻信用评分模型的实证分析 | 第61-65页 |
| 3.4.1 数据来源 | 第62页 |
| 3.4.2 实验结果与分析 | 第62-64页 |
| 3.4.3 近邻个数对分类效果的影响 | 第64-65页 |
| 3.5 本章小结 | 第65-66页 |
| 第四章 最近邻信用评分模型中关于度量学习算法的收敛性分析 | 第66-78页 |
| 4.1 引言 | 第66-67页 |
| 4.2 流形的基本理论 | 第67-70页 |
| 4.3 自适应变步长的内蕴最速下降算法 | 第70-71页 |
| 4.4 收敛性分析 | 第71-75页 |
| 4.5 数值实验 | 第75-76页 |
| 4.6 本章小结 | 第76-78页 |
| 第五章 基于半监督度量学习的最近邻信用评分模型 | 第78-100页 |
| 5.1 引言 | 第78-80页 |
| 5.2 非线性半监督度量学习方法 | 第80-87页 |
| 5.2.1 基于多核的马氏距离 | 第80-82页 |
| 5.2.2 非线性半监督度量学习模型 | 第82-87页 |
| 5.3 模型的优化算法 | 第87-90页 |
| 5.3.1 两步交替迭代算法 | 第87-88页 |
| 5.3.2 自适应变步长的内蕴最速下降算法 | 第88-90页 |
| 5.4 半监督度量学习模型有效性的评估 | 第90-94页 |
| 5.4.1 数据来源 | 第90页 |
| 5.4.2 实验设置与对比方法 | 第90-92页 |
| 5.4.3 实验结果 | 第92-94页 |
| 5.5 最近邻信用评分模型的实证分析 | 第94-99页 |
| 5.5.1 数据来源 | 第94-97页 |
| 5.5.2 实验结果与分析 | 第97-98页 |
| 5.5.3 近邻个数对分类效果的影响 | 第98-99页 |
| 5.6 本章小结 | 第99-100页 |
| 第六章 总结与展望 | 第100-102页 |
| 6.1 本文工作总结 | 第100-101页 |
| 6.2 研究工作展望 | 第101-102页 |
| 参考文献 | 第102-118页 |
| 攻读博士学位期间完成的工作 | 第118-119页 |
| 致谢 | 第119-120页 |