基于支持向量机的个人信用评估关键技术研究与实现
| 摘要 | 第4-5页 |
| Absract | 第5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1. 研究背景和意义 | 第10-11页 |
| 1.1.1. 研究背景 | 第10页 |
| 1.1.2. 研究意义 | 第10-11页 |
| 1.2. 国内外研究现状 | 第11-14页 |
| 1.3. 本文研究内容 | 第14页 |
| 1.4. 论文结构 | 第14-16页 |
| 第2章 背景知识与相关技术介绍 | 第16-24页 |
| 2.1. 个人信用风险评估基础 | 第16-17页 |
| 2.1.1. 个人信用理论 | 第16页 |
| 2.1.2. 个人信用评估模型 | 第16-17页 |
| 2.2. 机器学习 | 第17页 |
| 2.2.1. 形式化描述 | 第17页 |
| 2.2.2. 数学语言描述 | 第17页 |
| 2.3. 支持向量机简介 | 第17-23页 |
| 2.3.1. 线性可分支持向量机 | 第18-19页 |
| 2.3.2. 近似线性可分支持向量机 | 第19-21页 |
| 2.3.3. 非线性可分支持向量机与核函数 | 第21-22页 |
| 2.3.4. 基于不同损失的非线性可分支持向量机 | 第22-23页 |
| 2.4. 本章小结 | 第23-24页 |
| 第3章 基于混合蝙蝠算法的支持向量机参数选择 | 第24-38页 |
| 3.1. 问题分析 | 第24-25页 |
| 3.2. 改进混合蝙蝠算法 | 第25-30页 |
| 3.2.1. 基本蝙蝠算法 | 第25-26页 |
| 3.2.2. 差分进化变异机制 | 第26-28页 |
| 3.2.3. 基于两类误判的适应度函数 | 第28-30页 |
| 3.3. 算法框架 | 第30-32页 |
| 3.3.1. 总体设计 | 第30-31页 |
| 3.3.2. 算法描述 | 第31-32页 |
| 3.4. 实验结果与分析 | 第32-36页 |
| 3.4.1. 实验数据集 | 第32页 |
| 3.4.2. 蝙蝠算法参数设置 | 第32-35页 |
| 3.4.3. 相关算法比较 | 第35-36页 |
| 3.5. 本章小结 | 第36-38页 |
| 第4章 带权候选集支持向量机增量学习算法 | 第38-50页 |
| 4.1. 问题分析 | 第38-39页 |
| 4.2. KKT条件与样本分布的关系 | 第39-41页 |
| 4.2.1. KKT条件 | 第39页 |
| 4.2.2. 增量样本集对支持向量机集的影响 | 第39-41页 |
| 4.2.3. 利用KKT条件筛选增量样本 | 第41页 |
| 4.3. 基于组合条件的权重候选集构建 | 第41-45页 |
| 4.3.1. 圆半径的确定 | 第42-43页 |
| 4.3.2. 边界超平面 | 第43-44页 |
| 4.3.3. 设置样本点权重 | 第44-45页 |
| 4.4. 算法框架 | 第45-47页 |
| 4.4.1. 总体设计 | 第45-46页 |
| 4.4.2. 算法描述 | 第46-47页 |
| 4.5. 实验结果及分析 | 第47-49页 |
| 4.5.1. 实验数据集 | 第47页 |
| 4.5.2. 相关算法比较 | 第47-49页 |
| 4.6. 本章小结 | 第49-50页 |
| 第5章 基于支持向量机的个人信用评估模型研究 | 第50-64页 |
| 5.1. 个人信用风险评估模型整体设计 | 第50-52页 |
| 5.1.1. 模型建立 | 第50-51页 |
| 5.1.2. 分类判别 | 第51页 |
| 5.1.3. 增量学习 | 第51-52页 |
| 5.2. 数据集描述 | 第52-54页 |
| 5.3. 数据预处理 | 第54-56页 |
| 5.3.1. 数据缺失值处理 | 第54-55页 |
| 5.3.2. 数据归一化 | 第55-56页 |
| 5.3.3. 数据集划分 | 第56页 |
| 5.4. 实验设计与结果分析 | 第56-63页 |
| 5.4.1. 性能评估指标 | 第56-57页 |
| 5.4.2. 支持向量机参数选择 | 第57-59页 |
| 5.4.3. 支持向量机分类结果 | 第59-61页 |
| 5.4.4. 增量学习算法的比较 | 第61-63页 |
| 5.5. 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
