| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-13页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的与意义 | 第11页 |
| 1.3 研究思路与方法 | 第11-12页 |
| 1.4 研究技术路线图 | 第12-13页 |
| 2 相关概念阐述及文献综述 | 第13-18页 |
| 2.1 相关概念阐述 | 第13-14页 |
| 2.2 国内外相关研究 | 第14-18页 |
| 2.2.1 国内相关研究 | 第14-15页 |
| 2.2.2 国外相关研究 | 第15-18页 |
| 3 机器学习算法的应用 | 第18-23页 |
| 3.1 机器学习算法概述 | 第18-20页 |
| 3.2 机器学习算法的实施流程 | 第20-21页 |
| 3.3 使用机器学习算法进行信用风险预测的原因与意义 | 第21-23页 |
| 3.3.1 使用机器学习算法进行信用风险预测的原因 | 第21-22页 |
| 3.3.2 使用机器学习算法进行信用风险预测的意义 | 第22-23页 |
| 4 相关算法推导及模型性能评价指标 | 第23-42页 |
| 4.1 LOGISTIC回归模型 | 第24-27页 |
| 4.1.1 Logistic回归模型的算法原理 | 第24-26页 |
| 4.1.2 Logistic模型的参数求解 | 第26-27页 |
| 4.1.3 Logistic模型的模型优化要点 | 第27页 |
| 4.2 GBDT模型及其改进算法XGBOOST | 第27-33页 |
| 4.2.1 GBDT模型的算法原理 | 第28页 |
| 4.2.2 GBDT模型的迭代过程 | 第28-30页 |
| 4.2.3 XGBoost模型的算法原理推导 | 第30-32页 |
| 4.2.4 XGBoost模型的参数调优 | 第32-33页 |
| 4.3 模型的预测准确程度 | 第33-40页 |
| 4.3.1 混淆矩阵 | 第33-34页 |
| 4.3.2 查全率与查准率 | 第34-35页 |
| 4.3.3 提升图与洛伦兹曲线图 | 第35-38页 |
| 4.3.4 ROC曲线与AUC | 第38-40页 |
| 4.4 模型对数据形式的前提假设 | 第40-41页 |
| 4.5 模型的可解释性 | 第41-42页 |
| 5 数据预处理及模型构建和优化 | 第42-52页 |
| 5.1 数据预处理过程的必要性 | 第42页 |
| 5.2 样本数据概况 | 第42-44页 |
| 5.3 特征变量的筛选 | 第44-47页 |
| 5.4 缺失值的处理与变量形式的转换 | 第47-49页 |
| 5.5 模型的构建与迭代 | 第49-52页 |
| 6 结论 | 第52-55页 |
| 6.1 创新点 | 第52页 |
| 6.2 模型开发的注意要点 | 第52-53页 |
| 6.3 本文研究的局限性及未来展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 作者简介 | 第57-59页 |
| 学位论文数据集 | 第59页 |
