基于数据挖掘的互联网金融反欺诈系统研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 背景及意义 | 第8页 |
| 1.2 国内外文献综述 | 第8-10页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 研究思路及内容 | 第10-12页 |
| 1.4 研究方法和创新处 | 第12-14页 |
| 2 互联网金融风控研究 | 第14-20页 |
| 2.1 互联网金融的发展现状 | 第14-16页 |
| 2.2 互联网金融风险 | 第16-20页 |
| 2.2.1 互联网金融风险类型 | 第16-18页 |
| 2.2.2 互联网金融风控模式 | 第18-20页 |
| 3 互联网金融的反欺诈系统 | 第20-29页 |
| 3.1 统计识别 | 第20-22页 |
| 3.1.1 变量选择 | 第20-21页 |
| 3.1.2 数据预处理 | 第21页 |
| 3.1.3 相关性分析 | 第21-22页 |
| 3.2 模型识别 | 第22-28页 |
| 3.2.1 神经网络 | 第22-24页 |
| 3.2.2 支持向量机 | 第24-25页 |
| 3.2.3 随机森林 | 第25-26页 |
| 3.2.4 模型评估 | 第26-28页 |
| 3.3 人工识别 | 第28-29页 |
| 4 实证研究与分析 | 第29-40页 |
| 4.1 数据预处理及描述 | 第29-31页 |
| 4.2 社交与信用的关系 | 第31-33页 |
| 4.3 消费与信用的关系 | 第33-34页 |
| 4.4 联网金融的反欺诈模型 | 第34-40页 |
| 4.4.1 神经网络 | 第35-36页 |
| 4.4.2 支持向量机 | 第36-37页 |
| 4.4.3 随机森林 | 第37-39页 |
| 4.4.4 模型风险比较 | 第39-40页 |
| 5 结论及建议 | 第40-44页 |
| 5.1 结论 | 第40-41页 |
| 5.2 不足 | 第41-42页 |
| 5.3 建议 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 附录 | 第47-51页 |
| 致谢 | 第51页 |
