基于分层排序加权融合的P2P网贷违约预测模型研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 引言 | 第10-23页 |
| 1.1 选题背景和研究意义 | 第10-12页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 研究目的和意义 | 第11-12页 |
| 1.2 P2P网贷行业发展与风险控制 | 第12-16页 |
| 1.2.1 国外P2P行业发展现状与风险控制 | 第12页 |
| 1.2.2 国内P2P网贷行业发展现状与风险控制 | 第12-16页 |
| 1.3 国内外文献综述 | 第16-19页 |
| 1.3.1 国外文献综述 | 第16-17页 |
| 1.3.2 国内文献综述 | 第17-18页 |
| 1.3.3 国内外研究评述 | 第18-19页 |
| 1.4 研究思路和方法 | 第19-21页 |
| 1.4.1 研究思路 | 第20页 |
| 1.4.2 研究方法 | 第20-21页 |
| 1.5 技术路线 | 第21页 |
| 1.6 创新点 | 第21-23页 |
| 2 机器学习理论 | 第23-35页 |
| 2.1 机器学习技术的概念 | 第23页 |
| 2.2 机器学习算法 | 第23-32页 |
| 2.2.1 Logistic | 第23-27页 |
| 2.2.2 神经网络 | 第27-29页 |
| 2.2.3 CatBoost算法 | 第29-32页 |
| 2.3 模型的评估指标 | 第32-34页 |
| 2.3.1 混淆矩阵 | 第32-33页 |
| 2.3.2 AUC | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 网贷违约预测数据预处理和特征工程 | 第35-46页 |
| 3.1 研究数据的选择与分析 | 第35-38页 |
| 3.1.1 研究数据的选择 | 第35页 |
| 3.1.2 研究数据的分析 | 第35-38页 |
| 3.2 网贷数据预处理 | 第38-42页 |
| 3.2.1 缺失值的处理 | 第38-41页 |
| 3.2.2 低方差特征删除 | 第41-42页 |
| 3.2.3 数据统一化 | 第42页 |
| 3.3 特征工程 | 第42-44页 |
| 3.3.1 成交时间特征 | 第42页 |
| 3.3.2 登陆时间表特征提取 | 第42-43页 |
| 3.3.3 用户更新表特征 | 第43页 |
| 3.3.4 排序特征 | 第43-44页 |
| 3.3.5 统计特征 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 网贷违约预测模型设计 | 第46-65页 |
| 4.1 网贷违约预测LOGISTIC模型建立 | 第47-51页 |
| 4.1.1 参数设置 | 第48页 |
| 4.1.2 网贷违约预测LR建模结果 | 第48-51页 |
| 4.2 网贷违约预测神经网络建模 | 第51-55页 |
| 4.2.1 Keras的优点 | 第51-52页 |
| 4.2.2 参数解释 | 第52页 |
| 4.2.3 网贷违约预测神经网络建模结果 | 第52-55页 |
| 4.3 网贷违约预测CATBOOST建模 | 第55-58页 |
| 4.3.1 参数解释 | 第55页 |
| 4.3.2 网贷违约预测CatBoost建模结果 | 第55-58页 |
| 4.4 模型融合 | 第58-63页 |
| 4.4.1 线性加权融合 | 第59-60页 |
| 4.4.2 分层加权融合 | 第60-62页 |
| 4.4.3 分层排序加权融合模型 | 第62-63页 |
| 4.5 模型结果比较与分析 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 5 结论与展望 | 第65-67页 |
| 5.1 结论 | 第65-66页 |
| 5.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 后记 | 第72-73页 |
