基于混合集成算法的个人信用风险评估研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 研究现状 | 第15-21页 |
| 1.2.1 个人信用风险评估指标体系的研究现状 | 第15-16页 |
| 1.2.2 个人信用风险评估模型的研究现状 | 第16-19页 |
| 1.2.3 集成方法的研究现状 | 第19-21页 |
| 1.3 面临的挑战 | 第21-22页 |
| 1.4 研究内容及主要工作 | 第22页 |
| 1.4.1 研究内容 | 第22页 |
| 1.4.2 主要工作 | 第22页 |
| 1.5 研究创新点 | 第22-23页 |
| 1.6 研究结构安排 | 第23-24页 |
| 1.7 本章小结 | 第24-25页 |
| 第二章 数据挖掘及个人信用风险评估概述 | 第25-36页 |
| 2.1 数据挖掘的定义 | 第25页 |
| 2.2 数据挖掘的过程 | 第25-27页 |
| 2.3 数据挖掘常用算法 | 第27-28页 |
| 2.4 本文的数据挖掘算法 | 第28-34页 |
| 2.4.1 CART树 | 第28-30页 |
| 2.4.2 支持向量机 | 第30-31页 |
| 2.4.3 逻辑斯蒂回归 | 第31-33页 |
| 2.4.4 梯度提升决策树 | 第33-34页 |
| 2.5 基于数据挖掘的个人信用风险评估 | 第34-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 集成学习以及混合集成模型设计 | 第36-47页 |
| 3.1 集成学习方法概述 | 第36-37页 |
| 3.2 常用的集成学习算法 | 第37-40页 |
| 3.2.1 Bagging | 第37-38页 |
| 3.2.2 Boosting | 第38-40页 |
| 3.3 特征构造 | 第40-41页 |
| 3.4 分类模型评估指标 | 第41-42页 |
| 3.5 混合集成模型设计 | 第42-46页 |
| 3.5.1 采样产生训练集子集 | 第44页 |
| 3.5.2 基分类器设计 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 组合特征有效性检验 | 第47-54页 |
| 4.1 实验环境 | 第47页 |
| 4.2 数据集描述及数据预处理 | 第47-48页 |
| 4.3 有效性检验 | 第48-53页 |
| 4.3.1 参数设置 | 第48-49页 |
| 4.3.2 对比实验 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 混合集成算法在个人信用评估的应用 | 第54-61页 |
| 5.1 实验环境 | 第54页 |
| 5.2 数据集描述及数据预处理 | 第54-56页 |
| 5.3 模型设置及实验说明 | 第56-57页 |
| 5.4 实验结果与分析 | 第57-59页 |
| 5.5 本章小结 | 第59-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读学位期间发表的学术论文 | 第69-71页 |
| 致谢 | 第71-72页 |
| 附录:混合集成算法中部分代码 | 第72-74页 |
