基于社交与消费数据的反欺诈分析和建模
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 前言 | 第7-13页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外文献综述 | 第8-9页 |
| 1.3 网贷平台存在的风险与管理 | 第9-12页 |
| 1.4 本文研究思路与结构 | 第12-13页 |
| 第二章 理论基础 | 第13-24页 |
| 2.1 解决类平衡（SMOTE算法） | 第13页 |
| 2.2 数据挖掘算法介绍 | 第13-18页 |
| 2.2.1 人工神经网络 | 第13-15页 |
| 2.2.2 支持向量机 | 第15-16页 |
| 2.2.3 随机森林 | 第16-18页 |
| 2.3 用户社交网络特征影响 | 第18-24页 |
| 2.3.1 用户社交网络特征的影响 | 第18-21页 |
| 2.3.2 欺诈用户紧密程度的影响 | 第21-24页 |
| 第三章 数据介绍以及描述性分析 | 第24-39页 |
| 3.1 数据集介绍 | 第24页 |
| 3.2 数据处理 | 第24-30页 |
| 3.3 消费行为与用户欺诈关系 | 第30-35页 |
| 3.3.1 消费类型与用户欺诈关系 | 第30-32页 |
| 3.3.2 消费金额与用户欺诈关系 | 第32-35页 |
| 3.4 变量选择 | 第35-39页 |
| 第四章 模型的构建 | 第39-48页 |
| 4.1 机器学习算法构建模型 | 第39-43页 |
| 4.1.1 模型构建数据结构分析 | 第39页 |
| 4.1.2 模型构建方法实现 | 第39-41页 |
| 4.1.3 缺乏消费数据的用户类型判断 | 第41-43页 |
| 4.2 模型评估与选择 | 第43-48页 |
| 4.2.1 分类模型的评估标准 | 第43页 |
| 4.2.2 模型比较与评估 | 第43-48页 |
| 第五章 模型优化与遇到的问题 | 第48-52页 |
| 5.1 模型优化 | 第48-49页 |
| 5.2 建模中遇到的问题 | 第49-52页 |
| 5.2.1 变量处理不当，造成很高的预测精确度 | 第49-51页 |
| 5.2.2 SMOTE算法使用不当 | 第51-52页 |
| 第六章 结论 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55页 |
