基于改进支持向量机的个人信用评估研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-19页 |
| ·研究背景 | 第12-13页 |
| ·个人信用评估研究现状 | 第13-15页 |
| ·个人信用评估的概念 | 第13-14页 |
| ·个人信用评估的发展历史 | 第14页 |
| ·个人信用评估的研究现状 | 第14-15页 |
| ·论文主要研究内容安排 | 第15-19页 |
| 第2章 个人信用评估的主要方法 | 第19-27页 |
| ·专家预测法 | 第20页 |
| ·数理统计方法 | 第20-23页 |
| ·数学规划方法 | 第20-21页 |
| ·回归分析法 | 第21-22页 |
| ·判别分析法 | 第22-23页 |
| ·非参数方法 | 第23-24页 |
| ·K近邻分析法 | 第23-24页 |
| ·聚类分析法 | 第24页 |
| ·人工智能的方法 | 第24-26页 |
| ·决策树方法 | 第24页 |
| ·人工神经网络方法 | 第24-25页 |
| ·专家系统 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 统计学理论与支持向量机 | 第27-39页 |
| ·机器学习问题 | 第27-28页 |
| ·统计学理论 | 第28-31页 |
| ·基本学习问题 | 第28-29页 |
| ·VC 维理论 | 第29页 |
| ·推广性的界理论 | 第29-30页 |
| ·结构风险最小化原则 | 第30-31页 |
| ·支持向量机理论 | 第31-37页 |
| ·线性支持向量机 | 第31-34页 |
| ·广义线性支持向量机 | 第34页 |
| ·支持向量机模型及核函数 | 第34-36页 |
| ·支持向量机的变形算法 | 第36-37页 |
| ·支持向量机与传统统计学模型的比较 | 第37页 |
| ·本章小结 | 第37-39页 |
| 第4章 基于聚类分析和支持向量机的个人信用评估 | 第39-49页 |
| ·K-means 聚类算法 | 第39-40页 |
| ·基于 K 均值聚类与 SVM 的预测模型 | 第40-45页 |
| ·数据集选择 | 第41页 |
| ·数据的归一化 | 第41页 |
| ·SVM 的核函数选择和参数寻优 | 第41-43页 |
| ·基于 K 均值与 SVM 的基本思想 | 第43-45页 |
| ·实验结果与分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第5章 基于支持向量回归的个人信用度预测模型 | 第49-61页 |
| ·个人信用度 | 第49-50页 |
| ·支持向量回归机 | 第50-55页 |
| ·线性 SVR | 第51-54页 |
| ·非线性 SVR | 第54-55页 |
| ·层次聚类法 | 第55页 |
| ·基于聚类和支持向量回归机的个人信用度预测 | 第55-57页 |
| ·实例分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 1 对本文研究的总结 | 第61页 |
| 2 对未来工作的展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的学术论文 | 第67-68页 |
| 致谢 | 第68-69页 |
| 详细摘要 | 第69-73页 |
