| 摘要 | 第7-8页 |
| abstract | 第8页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 本论文研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究目标及内容 | 第10-11页 |
| 1.2.1 研究目标 | 第10页 |
| 1.2.2 研究内容 | 第10-11页 |
| 1.3 研究方法 | 第11页 |
| 1.4 难点问题与创新之处 | 第11页 |
| 1.4.1 难点问题 | 第11页 |
| 1.4.2 创新之处 | 第11页 |
| 1.5 国内外研究现状 | 第11-15页 |
| 1.5.1 国外研究现状 | 第11-12页 |
| 1.5.2 国内研究现状 | 第12-13页 |
| 1.5.3 文献综述 | 第13-15页 |
| 第2章 信用卡风险以及信用卡风险评估方法 | 第15-19页 |
| 2.1 信用卡风险的一般概述 | 第15-17页 |
| 2.1.1 信用卡风险的分类 | 第15-16页 |
| 2.1.2 信用卡风险的特点 | 第16-17页 |
| 2.2 信用卡风险评估模型及其发展 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 机器学习算法的在信用卡风险评估中的应用 | 第19-22页 |
| 3.1 机器学习算法概述 | 第19页 |
| 3.2 机器学习算法的实施流程 | 第19-20页 |
| 3.3 使用机器学习算法建立信用卡风险评估模型预测信用卡风险的原因与意义 | 第20-21页 |
| 3.3.1 使用机器学习算法建立信用卡风险评估模型预测信用卡风险的原因 | 第20页 |
| 3.3.2 使用机器学习算法建立信用卡风险评估模型预测信用卡风险的意义 | 第20-21页 |
| 3.4 本章小结 | 第21-22页 |
| 第4章 机器学习算法理论 | 第22-33页 |
| 4.1 LOGISTIC模型 | 第22-23页 |
| 4.2 决策树 | 第23-25页 |
| 4.3 随机森林 | 第25页 |
| 4.4 XGBOOST模型 | 第25-27页 |
| 4.5 SMOTE算法 | 第27页 |
| 4.6 模型的评估 | 第27-31页 |
| 4.6.1 混淆矩阵 | 第28页 |
| 4.6.2 查全率与查准率 | 第28-29页 |
| 4.6.3 F1值 | 第29-30页 |
| 4.6.4 ROC曲线与AUC | 第30-31页 |
| 4.6.5 交叉验证 | 第31页 |
| 4.7 本章小结 | 第31-33页 |
| 第5章 基于机器学习下银行评分卡模型的建立 | 第33-51页 |
| 5.1 样本数据概况 | 第33页 |
| 5.2 数据预处理 | 第33-38页 |
| 5.3 特征工程 | 第38-40页 |
| 5.4 模型的建立 | 第40-48页 |
| 5.4.1 Logistic模型建立 | 第40-44页 |
| 5.4.2 决策树模型建立 | 第44-46页 |
| 5.4.3 随机森林模型建立 | 第46-48页 |
| 5.4.4 xgboost模型建立 | 第48页 |
| 5.5 模型对比 | 第48-50页 |
| 5.6 本章小结 | 第50-51页 |
| 第6章 结论与展望 | 第51-53页 |
| 6.1 结论 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 致谢 | 第56-57页 |
