多分类器融合算法的研究及其在信贷风控中的应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12页 |
| 1.4 本文结构 | 第12-14页 |
| 第2章 相关概念与理论基础 | 第14-26页 |
| 2.1 数据挖掘技术 | 第14-19页 |
| 2.1.1 数据挖掘的概念 | 第14-15页 |
| 2.1.2 数据挖掘的功能及种类 | 第15-16页 |
| 2.1.3 数据挖掘的分类算法 | 第16-19页 |
| 2.2 集成学习方法 | 第19-21页 |
| 2.2.1 Bagging | 第19-20页 |
| 2.2.2 Boosting | 第20-21页 |
| 2.3 强学习器分析 | 第21-25页 |
| 2.3.1 AdaBoost算法原理 | 第21-22页 |
| 2.3.2 GBDT算法原理 | 第22-23页 |
| 2.3.3 XGBoost算法原理 | 第23页 |
| 2.3.4 LightGBM算法原理 | 第23-24页 |
| 2.3.5 随机森林算法原理 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于单层融合的风控算法 | 第26-41页 |
| 3.1 引言 | 第26页 |
| 3.2 算法基本流程与算法描述 | 第26-27页 |
| 3.3 特征工程与数据预处理 | 第27-34页 |
| 3.3.1 特征缩放 | 第29-30页 |
| 3.3.2 相关性检验 | 第30-32页 |
| 3.3.3 PCA降维 | 第32-33页 |
| 3.3.4 样本不均衡处理 | 第33-34页 |
| 3.4 单层融合算法的构建 | 第34-37页 |
| 3.4.1 训练基学习器 | 第34-36页 |
| 3.4.2 多数投票方法 | 第36页 |
| 3.4.3 加权投票法 | 第36-37页 |
| 3.4.4 交叉验证 | 第37页 |
| 3.5 实证结果与分析 | 第37-40页 |
| 3.5.1 实验环境 | 第38页 |
| 3.5.2 检测结果与分析 | 第38-39页 |
| 3.5.3 与其他算法的对比分析 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于混合多层融合的风控算法 | 第41-50页 |
| 4.1 引言 | 第41页 |
| 4.2 Stacking策略简介 | 第41-42页 |
| 4.3 算法的基本流程与算法描述 | 第42-43页 |
| 4.4 基于Stacking的混合算法 | 第43-47页 |
| 4.4.1 初始层算法的设计 | 第43-46页 |
| 4.4.2 次级层算法的选择 | 第46页 |
| 4.4.3 融合策略的实现 | 第46-47页 |
| 4.5 实证结果与分析 | 第47-49页 |
| 4.5.1 实验环境 | 第47-48页 |
| 4.5.2 多种算法实验结果比较 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 作者简介及在学期间所取得的科研成果 | 第56-57页 |
| 致谢 | 第57页 |
