| 中文摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 引言 | 第12-16页 |
| 1.1 选题背景和意义 | 第12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究内容与结构安排 | 第14-16页 |
| 第二章 数据挖掘方法 | 第16-28页 |
| 2.1 数据挖掘概述 | 第16页 |
| 2.2 建模算法 | 第16-25页 |
| 2.2.1 Logistic回归 | 第16-18页 |
| 2.2.2 支持向量机 | 第18-21页 |
| 2.2.3 随机森林 | 第21-22页 |
| 2.2.4 LightGBM | 第22-25页 |
| 2.3 评价指标 | 第25-28页 |
| 第三章 数据处理与特征工程 | 第28-46页 |
| 3.1 数据来源 | 第28页 |
| 3.2 数据预处理 | 第28-34页 |
| 3.2.1 缺失值处理 | 第31-32页 |
| 3.2.2 无量纲化处理 | 第32页 |
| 3.2.3 独热编码 | 第32页 |
| 3.2.4 不平衡数据处理 | 第32-34页 |
| 3.3 描述性统计分析 | 第34-38页 |
| 3.3.1 分类型变量 | 第34-36页 |
| 3.3.2 数值型变量 | 第36-38页 |
| 3.4 特征选择 | 第38-46页 |
| 3.4.1 筛选无效变量 | 第38-39页 |
| 3.4.2 IV值筛选变量 | 第39-43页 |
| 3.4.3 相关性分析 | 第43-46页 |
| 第四章 模型建立 | 第46-58页 |
| 4.1 划分训练集和测试集 | 第46页 |
| 4.2 模型实证结果 | 第46-54页 |
| 4.2.1 基于Logistic回归的逾期预测结果 | 第47-48页 |
| 4.2.2 基于支持向量机的逾期预测结果 | 第48-49页 |
| 4.2.3 基于随机森林的逾期预测结果 | 第49-52页 |
| 4.2.4 基于LightGBM的逾期预测结果 | 第52-54页 |
| 4.3 模型对比和评估 | 第54-55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 攻读学位期间取得的研究成果 | 第62-64页 |
| 致谢 | 第64-66页 |
| 个人简况及联系方式 | 第66-70页 |