| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 1 绪论 | 第7-19页 |
| ·引言 | 第7页 |
| ·信用评估的历史与现状 | 第7-14页 |
| ·信用评估的历史和特点 | 第10-12页 |
| ·信用评估的重要性及国内发展的现状 | 第12-13页 |
| ·个人信用评估方法的改进 | 第13-14页 |
| ·分类方法的研究现状 | 第14-16页 |
| ·分类 | 第14-15页 |
| ·经典分类方法 | 第15-16页 |
| ·支持向量机分类方法 | 第16页 |
| ·本文的主要内容 | 第16-19页 |
| 2 统计学习理论与支持向量机 | 第19-37页 |
| ·统计学习理论概述 | 第19-24页 |
| ·学习问题的数学表达 | 第19-20页 |
| ·统计学习理论的核心内容 | 第20页 |
| ·VC维 | 第20-21页 |
| ·经验风险最小化与学习的一致性 | 第21-22页 |
| ·推广性的界 | 第22页 |
| ·结构风险最小化 | 第22-24页 |
| ·分类支持向量机 | 第24-30页 |
| ·支持向量机的原理 | 第24-25页 |
| ·线性支持向量机 | 第25-27页 |
| ·非线性支持向量机 | 第27-29页 |
| ·KKT条件 | 第29-30页 |
| ·支持向量机多类方法 | 第30-34页 |
| ·"一对多"方法 | 第30-31页 |
| ·"一对一"方法 | 第31-32页 |
| ·DLRECTED ACYCLIC GRAPH方法 | 第32页 |
| ·各种多类算法的比较 | 第32-34页 |
| ·支持向量机常见变形公式 | 第34-35页 |
| ·C-SVM | 第34页 |
| ·Y-SVM | 第34-35页 |
| ·广义SVM | 第35页 |
| ·本章小结 | 第35-37页 |
| 3 面向大规模数据集的支持向量机 | 第37-47页 |
| ·块算法(CHUNKING) | 第37页 |
| ·固定工作样本集算法(OSUNA) | 第37-38页 |
| ·序列最小最优化算法(SMO) | 第38-47页 |
| ·SMO算法原理 | 第38-43页 |
| ·SMO算法改进 | 第43-47页 |
| 4 基于支持向量机分类的个人信用评估模型 | 第47-59页 |
| ·数据采集 | 第47-48页 |
| ·数据预处理模块 | 第48-52页 |
| ·数据清理 | 第48-49页 |
| ·数据集成 | 第49页 |
| ·数据变换 | 第49-50页 |
| ·数据归约 | 第50-51页 |
| ·数据模式 | 第51-52页 |
| ·SVM学习模块 | 第52-54页 |
| ·算法描述 | 第52-53页 |
| ·客户信用风险评估模型 | 第53-54页 |
| ·分类预测模块 | 第54-58页 |
| ·功能介绍 | 第54页 |
| ·预测准确性评估方法 | 第54-55页 |
| ·模型预测正确率对比 | 第55-58页 |
| ·本章小节 | 第58-59页 |
| 5 结论 | 第59-61页 |
| ·全文总结 | 第59页 |
| ·研究展望 | 第59-60页 |
| ·结束语 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录:攻读硕士期间发表学术论文情况 | 第65-67页 |
| 致谢 | 第67-69页 |