| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景与研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 文献综述 | 第12-16页 |
| 1.2.1 国外学者研究现状 | 第12-14页 |
| 1.2.2 国内学者研究现状 | 第14-15页 |
| 1.2.3 国内外研究动态简评 | 第15-16页 |
| 1.3 研究内容与研究方法 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究方法 | 第17页 |
| 1.4 研究的创新之处与不足 | 第17-19页 |
| 1.4.1 研究的创新之处 | 第17-18页 |
| 1.4.2 研究的不足与展望 | 第18-19页 |
| 2 LightGBM与XGBoost算法的理论概述 | 第19-27页 |
| 2.1 相关理论基础 | 第19-22页 |
| 2.1.1 Boosting | 第19页 |
| 2.1.2 Gradient Boosting | 第19-20页 |
| 2.1.3 决策树 | 第20-21页 |
| 2.1.4 GBDT | 第21-22页 |
| 2.2 XGBoost | 第22-24页 |
| 2.2.1 XGBoost的原理 | 第22页 |
| 2.2.2 XGBoost的参数设置 | 第22-23页 |
| 2.2.3 XGBoost的优点 | 第23-24页 |
| 2.2.4 XGBoost的优化 | 第24页 |
| 2.3 LightGBM | 第24-26页 |
| 2.3.1 LightGBM的原理 | 第24页 |
| 2.3.2 LightGBM的参数设置 | 第24-25页 |
| 2.3.3 LightGBM的优点 | 第25页 |
| 2.3.4 LightGBM的优化 | 第25-26页 |
| 2.4 LightGBM和XGBoost算法的比较 | 第26-27页 |
| 3 描述性统计分析 | 第27-38页 |
| 3.1 数据的获取与结构 | 第27-28页 |
| 3.1.1 数据的获取 | 第27页 |
| 3.1.2 数据的结构 | 第27-28页 |
| 3.2 描述性数据统计分析 | 第28-38页 |
| 3.2.1 规模分析 | 第28-30页 |
| 3.2.2 借款人等级分析 | 第30-34页 |
| 3.2.3 借款期限分析 | 第34页 |
| 3.2.4 借款目的分析 | 第34-35页 |
| 3.2.5 违约率分析 | 第35-38页 |
| 4 基于LightGBM和XGBoost算法的违约预测模型 | 第38-54页 |
| 4.1 数据的清洗与分类 | 第38-42页 |
| 4.1.1 “多维度数据集”的清洗与分类 | 第39-40页 |
| 4.1.2 “多观测数据集”的清洗与分类 | 第40-42页 |
| 4.2 基于LightGBM算法的二分类模型 | 第42-46页 |
| 4.2.1 “多维度数据集”的训练 | 第42-44页 |
| 4.2.2 “多观测数据集”的训练 | 第44-46页 |
| 4.3 基于XGBoost算法的二分类模型 | 第46-51页 |
| 4.3.1 “多维度数据集”的训练 | 第46-49页 |
| 4.3.2 “多观测数据集”的训练 | 第49-51页 |
| 4.4 基于LightGBM与XGBoost算法的模型损益比较分析 | 第51-52页 |
| 4.5 违约率影响因素分析 | 第52-54页 |
| 5 结论与建议 | 第54-58页 |
| 5.1 结论 | 第54-55页 |
| 5.2 建议 | 第55-58页 |
| 5.2.1 对国外P2P平台的建议 | 第55-56页 |
| 5.2.2 对中国P2P平台的建议 | 第56-58页 |
| 附录 | 第58-71页 |
| 参考文献 | 第71-75页 |
| 后记 | 第75-76页 |
