| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第1章 绪论 | 第8-19页 |
| ·研究的背景及意义 | 第8-9页 |
| ·个人信用评估的国内外研究现状 | 第9-16页 |
| ·传统的信用风险评估方法 | 第9-14页 |
| ·集成学习方法 | 第14-15页 |
| ·个人信用等级评估标准 | 第15-16页 |
| ·论文研究的内容和方法 | 第16-19页 |
| ·论文研究的主要内容 | 第16-17页 |
| ·论文研究的主要方法 | 第17-19页 |
| 第2章 异态集成学习方法及其应用工具的选择 | 第19-30页 |
| ·集成学习方法的选择及适用性分析 | 第19-23页 |
| ·集成学习概述 | 第19-20页 |
| ·集成学习方法的分类 | 第20-22页 |
| ·异态集成学习方法的适用性分析 | 第22-23页 |
| ·Bagging和Adaboost集成学习的机理 | 第23-25页 |
| ·Bagging集成 | 第23页 |
| ·Adaboost集成 | 第23-24页 |
| ·子学习器的生成和结合方法 | 第24-25页 |
| ·异态集成学习应用工具的选择 | 第25-29页 |
| ·集成学习应用软件及比较 | 第25-26页 |
| ·WEKA的功能实现 | 第26-28页 |
| ·WEKA数据集的构建 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 异态集成学习模型的构建 | 第30-40页 |
| ·模型的结构设计和技术流程 | 第30-33页 |
| ·模型的结构设计 | 第30-31页 |
| ·模型构建的技术流程 | 第31-33页 |
| ·Bagging和Adaboost集成学习模型的构建过程 | 第33-38页 |
| ·数据准备 | 第33-35页 |
| ·Bagging和Adaboost算法 | 第35-38页 |
| ·基于WEKA的异态集成学习功能模块设计与分析 | 第38-39页 |
| ·操作界面详解 | 第38页 |
| ·算法关联规则 | 第38-39页 |
| ·参数设置 | 第39页 |
| ·本章小结 | 第39-40页 |
| 第4章 异态集成学习模型的应用 | 第40-56页 |
| ·指标体系的建立及样本数据分析 | 第40-45页 |
| ·国内外指标体系对比及分析 | 第40-42页 |
| ·指标体系的建立 | 第42-44页 |
| ·样本数据预处理 | 第44-45页 |
| ·典型异态集成学习方法的程序设计 | 第45-47页 |
| ·Adaboost 主程序设计 | 第46页 |
| ·Bagging 主程序设计 | 第46-47页 |
| ·异态集成学习模型的预测结果分析及比较 | 第47-55页 |
| ·分析比较的依据 | 第47-48页 |
| ·REP Tree决策树模型的应用结果分析 | 第48-50页 |
| ·模型的应用结果 | 第50-53页 |
| ·异态集成学习模型和单一模型的应用结果比较分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63页 |