| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状和发展 | 第12-14页 |
| 1.2.1 数据挖掘技术研究状况 | 第12-13页 |
| 1.2.2 数据挖掘技术在信贷风险管理领域的应用状况 | 第13-14页 |
| 1.3 本文研究思路和文章框架 | 第14-15页 |
| 1.4 本文可能的创新点 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 数据挖掘技术的理论概述 | 第16-20页 |
| 2.1 数据挖掘的基本原理 | 第16-18页 |
| 2.1.1 数据挖掘的基本概念 | 第16-17页 |
| 2.1.2 数据挖掘的分类及主要功能 | 第17-18页 |
| 2.2 数据挖掘系统的体系结构 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 数据挖掘在农商行信贷风险管理中的应用 | 第20-30页 |
| 3.1 农商行信贷业务风险与分析 | 第20-23页 |
| 3.1.1 农商行信贷风险成因分析 | 第21-22页 |
| 3.1.2 农商行信贷风险分析指标体系 | 第22-23页 |
| 3.2 决策树模型在农商行个人信贷风险管理中的应用 | 第23-26页 |
| 3.2.1 决策树算法原理（C5.0） | 第23-25页 |
| 3.2.2 基于 C5.0 算法的农商行信贷风险管理的应用 | 第25-26页 |
| 3.3 神经网络模型在农村商业银行个人信贷风险管理中的应用 | 第26-28页 |
| 3.3.1 BP 算法的基本原理 | 第26-27页 |
| 3.3.2 神经网络模型在农商行信贷风险管理的应用说明 | 第27-28页 |
| 3.4 Logistic 模型 | 第28-29页 |
| 3.4.1 Logistic 回归模型原理 | 第28-29页 |
| 3.4.2 Logistic 模型在农村商业银行信贷风险管理中的应用说明 | 第29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 数据挖掘在个人信用风险管理的实现 | 第30-49页 |
| 4.1 选取样本 | 第30-31页 |
| 4.1.1 简单随机抽样 | 第30页 |
| 4.1.2 系统抽样 | 第30-31页 |
| 4.1.3 分层抽样 | 第31页 |
| 4.1.4 整群抽样 | 第31页 |
| 4.2 确定变量 | 第31-32页 |
| 4.2.1 因变量的选取 | 第31-32页 |
| 4.2.2 自变量的选取 | 第32页 |
| 4.3 数据预处理 | 第32-37页 |
| 4.3.1 数据清理 | 第33页 |
| 4.3.2 空缺值处理 | 第33-34页 |
| 4.3.3 数据冗余处理 | 第34-35页 |
| 4.3.4 数据归约 | 第35-37页 |
| 4.4 数据挖掘的实证过程及结果 | 第37-46页 |
| 4.4.1 决策树模型 | 第38-41页 |
| 4.4.2 神经网络模型 | 第41-43页 |
| 4.4.3 Logistic 回归模型 | 第43-46页 |
| 4.5 模型的评估与分析 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53页 |
