平均一依赖估测算法在个人信用评估中的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外个人信用评估研究 | 第10-12页 |
| 1.2.2 国内个人信用评估研究 | 第12-13页 |
| 1.3 目前存在的主要问题 | 第13-14页 |
| 1.4 论文研究内容和框架 | 第14-16页 |
| 2 相关理论介绍 | 第16-26页 |
| 2.1 朴素贝叶斯分类模型 | 第16-19页 |
| 2.1.1 贝叶斯定理 | 第16-17页 |
| 2.1.2 贝叶斯决策理论 | 第17页 |
| 2.1.3 事件的独立性 | 第17页 |
| 2.1.4 朴素贝叶斯分类模型描述 | 第17-19页 |
| 2.2 平均一依赖估测算法 | 第19-21页 |
| 2.3 粗糙集理论 | 第21-22页 |
| 2.4 粒子群算法 | 第22-24页 |
| 2.4.1 基本粒子群算法 | 第22-23页 |
| 2.4.2 离散粒子群算法 | 第23-24页 |
| 2.5 分类模型评估标准 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 数据预处理及连续属性离散化研究 | 第26-39页 |
| 3.1 数据预处理 | 第26-29页 |
| 3.2 连续属性离散化的相关研究 | 第29-30页 |
| 3.3 连续属性离散化的概念 | 第30页 |
| 3.4 断点的选取和信息增益率 | 第30-31页 |
| 3.5 基于改进离散粒子群算法的连续属性离散化 | 第31-35页 |
| 3.5.1 适应度函数的选取 | 第31-32页 |
| 3.5.2 惯性权重的改进 | 第32页 |
| 3.5.3 模拟退火算法 | 第32-33页 |
| 3.5.4 模拟退火思想与离散粒子群算法相融合 | 第33页 |
| 3.5.5 算法描述 | 第33-35页 |
| 3.6 仿真实验 | 第35-38页 |
| 3.6.1 实验数据与参数设置 | 第36-37页 |
| 3.6.2 实验结果分析 | 第37-38页 |
| 3.7 本章总结 | 第38-39页 |
| 4 基于属性约简的个人信用评估指标选取 | 第39-47页 |
| 4.1 属性约简算法相关研究 | 第39-40页 |
| 4.2 基于属性约简的指标选取算法 | 第40-44页 |
| 4.2.1 适应度函数的选取 | 第40-41页 |
| 4.2.2 禁忌搜索思想 | 第41页 |
| 4.2.3 禁忌搜索算法设计 | 第41-42页 |
| 4.2.4 禁忌离散粒子群优化算法 | 第42-44页 |
| 4.3 仿真实验 | 第44-46页 |
| 4.4 本章总结 | 第46-47页 |
| 5 基于集成AODE的个人信用评估模型 | 第47-53页 |
| 5.1 集成学习理论 | 第47-50页 |
| 5.1.1 构建集成学习的方法 | 第48-49页 |
| 5.1.2 Adaboost算法 | 第49-50页 |
| 5.2 集成AODE评估模型 | 第50-51页 |
| 5.3 仿真实验结果 | 第51-52页 |
| 5.4 本章总结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60页 |
