摘要 | 第4-6页 |
ABSTRACT | 第6-8页 |
第一章 绪论 | 第13-23页 |
1.1 研究背景与研究意义 | 第13-14页 |
1.1.1 研究背景 | 第13-14页 |
1.1.2 研究意义 | 第14页 |
1.2 研究内容 | 第14-15页 |
1.3 前人的研究成果 | 第15-19页 |
1.3.1 信用风险分类技术文献综述 | 第15-18页 |
1.3.2 数据特征驱动技术文献综述 | 第18-19页 |
1.4 研究思路及技术路线 | 第19-22页 |
1.4.1 研究思路 | 第19-20页 |
1.4.2 技术路线 | 第20-22页 |
1.5 创新点 | 第22页 |
1.6 本章小结 | 第22-23页 |
第二章 面向多维分类数据的数据特征识别方案 | 第23-37页 |
2.1 面向多维分类数据数据特征分析的整体框架 | 第23-26页 |
2.2 面向分类数据的数据特征识别方案 | 第26-31页 |
2.2.1 引言 | 第26页 |
2.2.2 数量特征识别方案 | 第26-28页 |
2.2.3 分布特征识别方案 | 第28-30页 |
2.2.4 质量特征识别方案 | 第30-31页 |
2.3 实证应用 | 第31-34页 |
2.3.1 数据描述 | 第31-32页 |
2.3.2 数据特征识别 | 第32-34页 |
2.4 本章小结 | 第34-37页 |
第三章 面向分类数据集的数据特征解决方法 | 第37-45页 |
3.1 数量特征解决方法 | 第37-39页 |
3.1.1 大样本 | 第37-38页 |
3.1.2 小样本 | 第38-39页 |
3.2 分布特征解决方法 | 第39-41页 |
3.2.1 高维性 | 第39-40页 |
3.2.2 稀疏性 | 第40页 |
3.2.3 类间不均衡性 | 第40-41页 |
3.3 质量特征解决方法 | 第41-44页 |
3.3.1 数据噪声性 | 第42-43页 |
3.3.2 数据缺失性 | 第43-44页 |
3.4 本章小结 | 第44-45页 |
第四章 基于关联规则挖掘赋权特征选择集成分类模型的信用分类研究 | 第45-55页 |
4.1 研究背景 | 第45-46页 |
4.2 模型介绍 | 第46-49页 |
4.2.1 关联规则挖掘算法(Association Rule Mining) | 第46-48页 |
4.2.2 基于关联规则挖掘的赋权特征选择集成分类模型(AR-WSAB) | 第48-49页 |
4.3 实证分析 | 第49-54页 |
4.3.1 数据集介绍 | 第49页 |
4.3.2 实验设计 | 第49页 |
4.3.3 实验结果分析 | 第49-54页 |
4.4 本章小结 | 第54-55页 |
第五章 结论与建议 | 第55-57页 |
5.1 研究总结 | 第55页 |
5.2 研究结论 | 第55-56页 |
5.3 展望 | 第56-57页 |
参考文献 | 第57-67页 |
致谢 | 第67-68页 |
研究成果及发表的论文 | 第68-69页 |
作者及导师简介 | 第69-70页 |
附件 | 第70-71页 |