| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第7-10页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的和意义 | 第8页 |
| 1.3 研究内容、方法和结构 | 第8-9页 |
| 1.4 本文的主要贡献 | 第9-10页 |
| 第2章 相关理论和文献综述 | 第10-19页 |
| 2.1 文献综述 | 第10-15页 |
| 2.1.1 受限波兹曼机 | 第10-11页 |
| 2.1.2 信用评分模型 | 第11-15页 |
| 2.2 相关理论 | 第15-19页 |
| 2.2.1 申请评分模型 | 第15-16页 |
| 2.2.2 Elastic-Net回归模型 | 第16-18页 |
| 2.2.3 受限波兹曼机（RBM） | 第18-19页 |
| 第3章 RBM模型构建与参数估计 | 第19-29页 |
| 3.1 受限波尔兹曼机（RBM）的基本模型 | 第19-21页 |
| 3.2 基于对比散度的RBM快速学习算法 | 第21-27页 |
| 3.2.1 梯度计算公式 | 第22-25页 |
| 3.2.2 对比散度算法 | 第25-27页 |
| 3.3 RBM模型的参数设置 | 第27-28页 |
| 3.3.1 权重和偏置的初始值 | 第27页 |
| 3.3.2 权重和偏置的初始值学习率和动量学习率 | 第27页 |
| 3.3.3 Gibbs采样 | 第27-28页 |
| 3.4 RBM的评估 | 第28-29页 |
| 第4章 申请评分模型的建立 | 第29-44页 |
| 4.1 数据预处理 | 第29-39页 |
| 4.1.1 数据获取与准备 | 第29-33页 |
| 4.1.2 特征离散化 | 第33-35页 |
| 4.1.3 WOE编码 | 第35-39页 |
| 4.2 模型训练 | 第39-44页 |
| 4.2.1 Elastic-Net-Logistic模型 | 第39-41页 |
| 4.2.2 RBM模型 | 第41-42页 |
| 4.2.3 RBM Logistic模型 | 第42-43页 |
| 4.2.4 模型评价 | 第43-44页 |
| 第5章 总结与不足 | 第44-45页 |
| 5.1 本文的主要结论 | 第44页 |
| 5.2 本文的不足 | 第44-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-48页 |