| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文研究工作和组织结构 | 第12-14页 |
| 2 基本模型理论与知识 | 第14-20页 |
| 2.1 深度信念网络建模与训练 | 第14-17页 |
| 2.1.1 限制玻尔兹曼机模型 | 第14-15页 |
| 2.1.2 深度信念网络模型 | 第15-17页 |
| 2.2 极限学习机 | 第17-18页 |
| 2.2.1 极限学习机理论知识 | 第17-18页 |
| 2.3 本章小结 | 第18-20页 |
| 3 基于深度信念网络和极限学习机的改进深度学习算法 | 第20-28页 |
| 3.1 结合极限学习机的改进深度信念网络算法 | 第20-24页 |
| 3.1.1 DBN-DELM改进算法 | 第21-23页 |
| 3.1.2 DBN-DELM-ensemble改进算法 | 第23-24页 |
| 3.2 改进算法性能测试 | 第24-26页 |
| 3.2.1 实验数据 | 第24页 |
| 3.2.2 实验环境和模型参数 | 第24-25页 |
| 3.2.3 结果与分析 | 第25-26页 |
| 3.3 本章小结 | 第26-28页 |
| 4 信用评分问题及常用模型 | 第28-40页 |
| 4.1 信用风险和信用评分的基本概念 | 第28-29页 |
| 4.1.1 信用风险 | 第28页 |
| 4.1.2 信用评分建模方法 | 第28-29页 |
| 4.2 信用评分问题常用模型 | 第29-38页 |
| 4.2.1 logistic回归模型在信用评分中的应用 | 第29-31页 |
| 4.2.2 树类模型在信用评分中的应用 | 第31-35页 |
| 4.2.3 神经网络模型在信用评分中的应用 | 第35-38页 |
| 4.3 本章小结 | 第38-40页 |
| 5 改进模型在信用评分中的应用和常用模型的对比 | 第40-58页 |
| 5.1 信用评分问题的评价标准 | 第40-43页 |
| 5.1.1 混淆矩阵 | 第40页 |
| 5.1.2 AUC评价指标 | 第40-42页 |
| 5.1.3 KS评价指标 | 第42-43页 |
| 5.2 各模型对比实验 | 第43-56页 |
| 5.2.1 数据建模基本步骤 | 第43-44页 |
| 5.2.2 模型建立和实验对比 | 第44-56页 |
| 5.3 本章小结 | 第56-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士期间成果 | 第66页 |
