基于数据挖掘的银行信用评分系统研究
| 第一章 绪论 | 第1-9页 |
| ·数据挖掘发展及现状分析 | 第5-7页 |
| ·信用风险管理的现状和发展趋势 | 第7页 |
| ·论文的框架结构 | 第7-9页 |
| 第二章 数据挖掘 | 第9-16页 |
| ·数据挖掘技术 | 第9页 |
| ·基本概念及主要方法 | 第9-11页 |
| ·数据挖掘的主要技术 | 第11-13页 |
| ·分类挖掘 | 第13-15页 |
| ·数据挖掘解决的典型商业问题 | 第15-16页 |
| 第三章 银行信用风险概述 | 第16-24页 |
| ·信用风险定义 | 第16页 |
| ·信用风险的成因 | 第16-17页 |
| ·个人信用风险评估的方法 | 第17-19页 |
| ·专家系统 | 第17页 |
| ·信用评分系统 | 第17-19页 |
| ·信用评分模型建立的步骤和主要技术 | 第19-21页 |
| ·信用评分模型构建步骤 | 第19-20页 |
| ·信用评估模型的主要应用技术 | 第20-21页 |
| ·个人信用评估体系 | 第21-24页 |
| ·个人信用风险评估方法 | 第21-22页 |
| ·个人信用判断系统 | 第22页 |
| ·个人信用评估指标 | 第22-24页 |
| 第四章 基于决策树的信用评分模型 | 第24-34页 |
| ·决策树 | 第24-29页 |
| ·决策树描述 | 第24-25页 |
| ·决策树的类型 | 第25页 |
| ·决策树的生成过程 | 第25-26页 |
| ·决策树的构造算法 | 第26-27页 |
| ·决策树的简化方法 | 第27-28页 |
| ·决策树评价指标 | 第28-29页 |
| ·基于信息熵的决策树在信用评分中的应用 | 第29-34页 |
| ·客户数据的预处理 | 第29-31页 |
| ·决策树生成 | 第31-32页 |
| ·决策树剪枝 | 第32-33页 |
| ·模式评估与应用 | 第33-34页 |
| 第五章 基于人工神经网络的信用评分模型 | 第34-49页 |
| ·人工神经网络技术 | 第34-35页 |
| ·神经网络的工作原理 | 第34-35页 |
| ·神经网络的特点 | 第35页 |
| ·前馈神经网络 | 第35-38页 |
| ·网络结构 | 第35-36页 |
| ·学习方法 | 第36-37页 |
| ·转移函数 | 第37-38页 |
| ·误差函数 | 第38页 |
| ·误差反传(BP)算法 | 第38-43页 |
| ·BP网络模型 | 第39-40页 |
| ·三层BP学习算法 | 第40-42页 |
| ·BP算法程序实现 | 第42-43页 |
| ·个人信用评估神经网络模型 | 第43-48页 |
| ·指标数据标准化处理 | 第44-46页 |
| ·神经元转移函数的选择 | 第46页 |
| ·模型构造 | 第46-47页 |
| ·学习算法 | 第47-48页 |
| ·模型评价 | 第48-49页 |
| 第六章 结论 | 第49-50页 |
| Abstract | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 学位论文独创性声明 | 第56页 |
| 学位论文版权的使用授权书 | 第56页 |
