| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景与研究意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11-15页 |
| 1.2.1 KNN算法中k值选取的研究现状 | 第11-13页 |
| 1.2.2 加权KNN算法研究现状 | 第13-14页 |
| 1.2.3 信用风险评估的研究现状 | 第14-15页 |
| 1.3 本文研究的主要内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 相关的理论知识 | 第17-28页 |
| 2.1 分类的概念和过程 | 第17-18页 |
| 2.2 常用的分类算法 | 第18-24页 |
| 2.2.1 决策树算法 | 第19页 |
| 2.2.2 神经网络算法 | 第19-20页 |
| 2.2.3 KNN算法 | 第20-23页 |
| 2.2.4 支持向量机算法 | 第23-24页 |
| 2.3 个人的信用风险评估 | 第24-25页 |
| 2.3.1 信用风险的概念 | 第24页 |
| 2.3.2 常用的评估信用风险的方法 | 第24-25页 |
| 2.3.3 选用KNN算法评估的原因 | 第25页 |
| 2.4 分类算法的评价方法和指标 | 第25-27页 |
| 2.4.1 评价的准则 | 第25-26页 |
| 2.4.2 性能的评估 | 第26-27页 |
| 2.4.3 其他常用方法 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于局部密度和纯度的自适应KNN算法 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 自适应KNN算法 | 第28-32页 |
| 3.2.1 KNN算法 | 第28-29页 |
| 3.2.2 局部密度和纯度 | 第29-30页 |
| 3.2.3 自适应k值的KNN算法 | 第30-32页 |
| 3.3 算法实例 | 第32-34页 |
| 3.4 实验分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 自适应KNN算法在个人信用风险评估中的应用 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 改进的特征属性加权KNN算法 | 第38-40页 |
| 4.2.1 加权方法 | 第38-39页 |
| 4.2.2 改进的加权KNN算法 | 第39-40页 |
| 4.3 加权的自适应KNN算法 | 第40-41页 |
| 4.4 加权的自适应KNN算法在个人信用风险评估中的应用 | 第41-47页 |
| 4.4.1 数据预处理 | 第42-44页 |
| 4.4.2 评价方法及指标 | 第44页 |
| 4.4.3 实验分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 本文的工作总结 | 第48页 |
| 5.2 主要贡献与创新点 | 第48-49页 |
| 5.3 后续进一步的工作 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55页 |
| 攻读硕士学位期间参加的科研项目 | 第55页 |