| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-20页 |
| 1.2.1 信用评估方法概述 | 第12-14页 |
| 1.2.2 基于统计学方法的个人信用评估研究现状 | 第14-15页 |
| 1.2.3 基于运筹学方法的个人信用评估研究现状 | 第15-16页 |
| 1.2.4 基于人工智能的个人信用评估研究现状 | 第16-20页 |
| 1.3 论文的研究工作 | 第20页 |
| 1.4 论文的组织及内容安排 | 第20-23页 |
| 第2章 相关理论 | 第23-29页 |
| 2.1 个人信用评估的相关概念 | 第23-24页 |
| 2.1.1 个人信用评估的含义 | 第23-24页 |
| 2.1.2 个人信用评估的内容 | 第24页 |
| 2.2 个人信用评估的一般流程 | 第24-26页 |
| 2.3 深度学习相关知识 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于降噪自编码网络的个人信用评估模型的构建 | 第29-51页 |
| 3.1 基于降噪自编码网络个人信用评估模型的总体结构 | 第29-30页 |
| 3.2 基于降噪自编码网络的数据降维 | 第30-35页 |
| 3.2.1 自动编码器原理 | 第30-32页 |
| 3.2.2 自编码目标函数及推导 | 第32-34页 |
| 3.2.3 降噪自编码神经网络 | 第34-35页 |
| 3.3 基于降噪自编码网络与Logistic回归相结合的模型 | 第35-37页 |
| 3.4 基于降噪自编码网络与决策树相结合的模型 | 第37-39页 |
| 3.5 基于降噪自编码网络与人工神经网络相结合的模型 | 第39-40页 |
| 3.6 基于降噪自编码网络与支持向量机相结合的模型 | 第40-47页 |
| 3.6.1 线性可分支持向量机的原理 | 第41-44页 |
| 3.6.2 线性不可分支持向量机的原理 | 第44-45页 |
| 3.6.3 非线性可分情况 | 第45-47页 |
| 3.7 基于K-Means与支持向量机相结合的信用评估方法 | 第47-49页 |
| 3.8 本章小结 | 第49-51页 |
| 第4章 个人信评估方法实验与分析 | 第51-67页 |
| 4.1 个人信用评估实验的准备工作 | 第51-58页 |
| 4.1.1 实验数据集介绍 | 第51-53页 |
| 4.1.2 数据预处理 | 第53-57页 |
| 4.1.3 个人信用评估实验的评价指标 | 第57-58页 |
| 4.2 数据降维实验 | 第58-59页 |
| 4.3 评估方法的实验比较与分析 | 第59-66页 |
| 4.4 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74页 |
