| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 问题的提出 | 第8-10页 |
| 1.2 信用评分国内外研究现状 | 第10-16页 |
| 1.2.1 传统信用评分方法研究现状 | 第10-12页 |
| 1.2.2 数据挖掘的信用评分方法研究现状 | 第12-16页 |
| 1.3 国内外信用评分方法研究评述 | 第16-17页 |
| 1.4 研究的主要方法及内容 | 第17-19页 |
| 1.4.1 研究方法 | 第17页 |
| 1.4.2 论文研究的主要内容 | 第17-18页 |
| 1.4.3 论文研究的框架 | 第18-19页 |
| 第2章 个人信用样本集优化及评分方法的设计 | 第19-31页 |
| 2.1 个人信用数据分析 | 第19-22页 |
| 2.1.1 个人信用数据的特点 | 第19-20页 |
| 2.1.2 个人信用数据对样本优化的要求 | 第20-21页 |
| 2.1.3 个人信用数据对评分方法的要求 | 第21-22页 |
| 2.2 样本集优化的方法选择 | 第22-26页 |
| 2.2.1 样本集优化的目的要求 | 第22页 |
| 2.2.2 抽样方法比较和样本集优化方法选择 | 第22-24页 |
| 2.2.3 多指标分层抽样的优势 | 第24-26页 |
| 2.3 基于贝叶斯网络的评分方法及实现 | 第26-30页 |
| 2.3.1 贝叶斯网络概述 | 第26-28页 |
| 2.3.2 贝叶斯网络学习及代表算法 | 第28页 |
| 2.3.3 贝叶斯网络的参数学习及代表算法 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于多指标分层抽样的样本集优化 | 第31-45页 |
| 3.1 个人信用样本数据描述 | 第31-34页 |
| 3.1.1 个人信用评分指标的描述 | 第31-33页 |
| 3.1.2 个人信用变量及其类型分析 | 第33-34页 |
| 3.2 样本数据处理 | 第34-36页 |
| 3.2.1 缺失项处理 | 第34-35页 |
| 3.2.2 数据离散化 | 第35-36页 |
| 3.3 多指标分层抽样对于层的划分 | 第36-41页 |
| 3.4 优化样本集样本数的确定及抽样 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于样本集优化的贝叶斯网络评分模型应用 | 第45-56页 |
| 4.1 个人信用贝叶斯网络评分模型构建 | 第45-47页 |
| 4.1.1 模型描述 | 第45-46页 |
| 4.1.2 有向树拓展贝叶斯网络的构造方法 | 第46页 |
| 4.1.3 算法实现的具体步骤 | 第46-47页 |
| 4.2 基于样本集优化的贝叶斯网络模型的实现 | 第47-51页 |
| 4.2.1 属性间条件互信息熵的计算 | 第47-48页 |
| 4.2.2 贝叶斯网络的构建 | 第48-49页 |
| 4.2.3 基于样本集优化的贝叶斯网络参数学习 | 第49-50页 |
| 4.2.4 贝叶斯网络预测分类的实现 | 第50-51页 |
| 4.3 基于样本集优化的贝叶斯网络模型评分效果分析 | 第51-55页 |
| 4.3.1 评分模型的评价依据 | 第51页 |
| 4.3.2 评分模型的性能分析 | 第51-53页 |
| 4.3.3 评分模型的优势分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录一：贝叶斯网络参数学习条件概率表 | 第61-66页 |
| 附录二：贝叶斯网络评分模型预测结果 | 第66-75页 |
| 致谢 | 第75页 |