网络信贷个人信用评估实证分析--基于决策树组合模型和社交网络
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 引言 | 第10页 |
| 1.2 研究背景和意义 | 第10-13页 |
| 1.2.1 研究背景 | 第10-12页 |
| 1.2.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究现状 | 第14-16页 |
| 1.4 本文的研究内容及组织结构 | 第16-17页 |
| 1.4.1 本文的研究内容 | 第16页 |
| 1.4.2 本文的组织架构 | 第16-17页 |
| 第二章 数据挖掘技术与方法 | 第17-27页 |
| 2.1 决策树算法 | 第17-19页 |
| 2.2 决策树组合算法 | 第19-25页 |
| 2.2.1 随机森林算法 | 第20-21页 |
| 2.2.2 Adaboost算法 | 第21-22页 |
| 2.2.3 梯度优化决策树算法(GBDT) | 第22-25页 |
| 2.2.4 组合模型的优势 | 第25页 |
| 2.3 社交网络可视化技术 | 第25-27页 |
| 2.3.1 FR算法基本模型 | 第25-26页 |
| 2.3.2 随机游走社区划分思想 | 第26-27页 |
| 第三章 基于GBDT的信用评估模型设计 | 第27-37页 |
| 3.0 信用评估模型的特点 | 第27-28页 |
| 3.1 信用评估模型的结构设计 | 第28-29页 |
| 3.2 数据预处理模块 | 第29-31页 |
| 3.2.1 数据准备 | 第30页 |
| 3.2.2 变量衍生 | 第30页 |
| 3.2.3 变量粗分组 | 第30-31页 |
| 3.2.4 变量选择 | 第31页 |
| 3.3 决策树组合模块 | 第31-34页 |
| 3.3.1 模型训练 | 第32-33页 |
| 3.3.2 参数优化 | 第33-34页 |
| 3.4 评估模块 | 第34-35页 |
| 3.5 社交网络可视化模块 | 第35-37页 |
| 3.5.1 社交网络特征分析 | 第35-36页 |
| 3.5.2 个性化推荐机制 | 第36-37页 |
| 第四章 信用评估模型的实证分析 | 第37-64页 |
| 4.1 数据预处理 | 第37-49页 |
| 4.1.1 数据来源及说明 | 第37-38页 |
| 4.1.2 异常值处理 | 第38-44页 |
| 4.1.3 变量衍生 | 第44-48页 |
| 4.1.4 变量粗分组 | 第48页 |
| 4.1.5 变量选择 | 第48-49页 |
| 4.2 决策树组合模型 | 第49-54页 |
| 4.2.1 模型训练与对比 | 第49-51页 |
| 4.2.2 优化模型参数 | 第51-54页 |
| 4.3 结果评估与分析 | 第54-55页 |
| 4.4 社交网络可视化分析 | 第55-64页 |
| 4.4.1 整体网的基本情况 | 第55-56页 |
| 4.4.2 整体网络的可视化分析 | 第56-57页 |
| 4.4.3 连通组件的普查和可视化分析 | 第57-60页 |
| 4.4.4 两类用户的局部网络可视化对比 | 第60-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70-72页 |
| 致谢 | 第72页 |
