| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 1. 引言 | 第14-19页 |
| 1.1 研究背景及研究意义 | 第14-16页 |
| 1.2 研究方法、研究内容及创新点 | 第16-17页 |
| 1.3 论文研究思路及章节 | 第17-19页 |
| 2. 个人信用评估及其研究现状综述 | 第19-39页 |
| 2.1 个人信用评估的基础理论 | 第19-21页 |
| 2.1.1 信用的概念 | 第19-20页 |
| 2.1.2 个人信用评估 | 第20-21页 |
| 2.2 国内外个人信用评估文献综述 | 第21-28页 |
| 2.2.1 国外个人信用评估研究方法文献综述 | 第23-26页 |
| 2.2.2 国内个人信用评估研究方法文献综述 | 第26-28页 |
| 2.3 主流的信用评估方法介绍 | 第28-39页 |
| 3. 随机森林算法的原理及相关理论基础 | 第39-53页 |
| 3.1 分类器及分类器的组合 | 第39-41页 |
| 3.1.1 分类问题 | 第39-40页 |
| 3.1.2 分类器的组合 | 第40-41页 |
| 3.2 CART分类树 | 第41-46页 |
| 3.2.1 CART算法原理 | 第41-42页 |
| 3.2.2 CART分类树的建立 | 第42-44页 |
| 3.2.3 CART分类树的剪枝 | 第44-45页 |
| 3.2.4 CART分类树的优缺点 | 第45-46页 |
| 3.3 BAGGING方法 | 第46页 |
| 3.4 随机森林分类算法 | 第46-53页 |
| 3.4.1 随机森林的建立 | 第47-49页 |
| 3.4.2 随机森林的泛化误差 | 第49-50页 |
| 3.4.3 OOB估计 | 第50-51页 |
| 3.4.4 特征变量的重要性估计 | 第51-53页 |
| 4. LSSVM算法及RF-APSOLSSVM模型的组合原理 | 第53-63页 |
| 4.1 最小二乘支持向量机(LSSVM) | 第53-55页 |
| 4.2 自适应粒子群优化算法(APSO) | 第55-57页 |
| 4.3 基于RF-APSOLSSVM的两阶段组合模型 | 第57-63页 |
| 4.3.1 APSOLSSVM模型的建立 | 第58-59页 |
| 4.3.2 RF—APSOLSSVM组合模型的构建方法 | 第59-61页 |
| 4.3.3 RF—APSOLSSVM组合模型的实现步骤 | 第61-63页 |
| 5. 数据预处理及模型评估指标 | 第63-74页 |
| 5.1 数据来源 | 第63-64页 |
| 5.2 数据预处理 | 第64-72页 |
| 5.2.1 缺失值的处理 | 第64-65页 |
| 5.2.2 指标赋值 | 第65-67页 |
| 5.2.3 归一化处理 | 第67-71页 |
| 5.2.4 划分数据集 | 第71-72页 |
| 5.3 模型评估指标 | 第72-74页 |
| 6. 实证结果与分析 | 第74-85页 |
| 6.1 组合模型与其他模型实证结果的比较 | 第75-80页 |
| 6.1.1 RF-APSOLSSVM与RF、APSOLSSVM基于不同信用数据集的比较 | 第75-78页 |
| 6.1.2 RF-APSOLSSVM与其他模型基于正确度、敏感度和特异度的比较 | 第78-80页 |
| 6.2 特征选择对RF-APSOLSSVM分类效果的影响 | 第80-85页 |
| 6.2.1 基于德国信用数据集 | 第80-83页 |
| 6.2.2 基于英国信用数据集 | 第83-85页 |
| 7. 结论与展望 | 第85-88页 |
| 7.1 结论 | 第85-86页 |
| 7.2 展望 | 第86-88页 |
| 参考文献 | 第88-93页 |
| 致谢 | 第93-95页 |
| 在读期间科研成果目录 | 第95页 |
