银行存贷数据分析与研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-12页 |
| 1.1 基于大数据的建模与分析背景 | 第8-10页 |
| 1.1.1 机器学习背景 | 第8-9页 |
| 1.1.2 大数据技术背景介绍 | 第9-10页 |
| 1.2 国内外银行业大数据产业的进程和发展现状 | 第10-11页 |
| 1.3 本文的主要研究内容与意义 | 第11-12页 |
| 1.3.1 本文的主要研究内容 | 第11页 |
| 1.3.2 存贷系统数据建模分析的意义 | 第11-12页 |
| 第2章 相关理论基础和技术路线 | 第12-22页 |
| 2.1 相关机器学习理论基础 | 第12-16页 |
| 2.1.1 K-MEANS聚类分析 | 第12-13页 |
| 2.1.2 C4.5决策树 | 第13-16页 |
| 2.2 大数据处理的实现框架 | 第16-20页 |
| 2.2.1 数据收集 | 第16-18页 |
| 2.2.2 数据处理 | 第18-20页 |
| 2.2.3 基于大数据的分析框架 | 第20页 |
| 2.3 小结 | 第20-22页 |
| 第3章 基于大数据的存贷数据分析框架 | 第22-33页 |
| 3.1 总体目标 | 第22页 |
| 3.2 数据来源 | 第22页 |
| 3.3 分析方法 | 第22-26页 |
| 3.3.1 客户的价值分类 | 第22-26页 |
| 3.4 数据可视化 | 第26-32页 |
| 3.4.1 客户画像 | 第26-30页 |
| 3.4.2 统计报表 | 第30-32页 |
| 3.5 小结 | 第32-33页 |
| 第4章 相关性分析与预测 | 第33-38页 |
| 4.1 现有预测分析存在的问题 | 第33-34页 |
| 4.2 指标相关性 | 第34-37页 |
| 4.3 小结 | 第37-38页 |
| 第5章 算法实现 | 第38-45页 |
| 5.1 读取输入数据 | 第38页 |
| 5.2 K-MEANS聚类 | 第38-41页 |
| 5.3 C4.5决策树 | 第41-42页 |
| 5.4 线性回归 | 第42-44页 |
| 5.5 小结 | 第44-45页 |
| 第6章 总结与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49页 |
