| 致谢 | 第1-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-10页 |
| 1 绪论 | 第10-18页 |
| ·研究的背景和意义 | 第10-11页 |
| ·个人信用评估的研究现状 | 第11-15页 |
| ·国外个人信用评估的研究状况 | 第11-13页 |
| ·国内个人信用评估的研究状况 | 第13-15页 |
| ·支持向量机(SVM)的研究现状 | 第15-17页 |
| ·SVM 算法方面的研究状况 | 第15-17页 |
| ·SVM 应用方面的研究状况 | 第17页 |
| ·论文的研究内容和结构安排 | 第17-18页 |
| 2 支持向量机和粗糙集理论 | 第18-35页 |
| ·支持向量机基础 | 第18-21页 |
| ·机器学习的基本问题 | 第18页 |
| ·经验风险最小化原则 | 第18-19页 |
| ·结构风险最小化原则 | 第19-21页 |
| ·支持向量机 | 第21-32页 |
| ·线性支持向量机：可分情况 | 第22-26页 |
| ·线性支持向量机：不可分情况 | 第26-29页 |
| ·非线性支持向量机 | 第29-32页 |
| ·粗糙集基本理论 | 第32-35页 |
| ·粗糙集中的几个重要的概念 | 第32-33页 |
| ·决策表的属性约简 | 第33-34页 |
| ·几种属性约简算法 | 第34-35页 |
| 3 支持向量机算法及改进 | 第35-46页 |
| ·选块算法(Chunking 算法) | 第35-37页 |
| ·固定工作样本集算法(Osuna 算法) | 第37-39页 |
| ·序列最小最优化算法(Sequential Minimal Optimization ，SMO) | 第39-46页 |
| ·SMO 算法的原理 | 第40-44页 |
| ·SMO 算法的改进 | 第44-46页 |
| 4 基于支持向量机的个人信用评估模型 | 第46-61页 |
| ·数据的采集和预处理 | 第46-54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 |
| ·粗糙集和支持向量机的结合 | 第51-54页 |
| ·信用评估模型中的几个问题 | 第54-57页 |
| ·数据集的划分 | 第54-55页 |
| ·训练算法的选取 | 第55页 |
| ·核函数的选取 | 第55-56页 |
| ·核参数的选取 | 第56-57页 |
| ·SVM 模型的建立 | 第57-59页 |
| ·SMO 算法的描述 | 第57-58页 |
| ·客户信用风险评估模型 | 第58-59页 |
| ·预测模型准确率对比 | 第59-61页 |
| 5 结论 | 第61-63页 |
| ·全文总结 | 第61页 |
| ·研究展望 | 第61-62页 |
| ·结束语 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68-69页 |