| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·信用评估简介 | 第7-8页 |
| ·国内外发展情况 | 第8-9页 |
| ·个人信用评估研究概述 | 第9页 |
| ·本文主要工作 | 第9-11页 |
| 第二章 个人信用评估的主要方法 | 第11-19页 |
| ·判别分析（Discriminate Analysis）法 | 第11-12页 |
| ·回归分析（Regression Analysis）法 | 第12-14页 |
| ·线性规划（Linear Programming）法 | 第14-15页 |
| ·神经网络（Neural Network）法 | 第15-16页 |
| ·K最近邻（K-Nearest Neighbor）法 | 第16-18页 |
| ·遗传算法（Genetic Algorithm） | 第18-19页 |
| 第三章 分类树方法介绍 | 第19-24页 |
| ·分类树原理 | 第19页 |
| ·分类树构建 | 第19-22页 |
| ·构建原则 | 第19-20页 |
| ·分割规则 | 第20-21页 |
| ·分类树学习算法 | 第21-22页 |
| ·分类树方法在个人信用评估中的适用性分析 | 第22-24页 |
| 第四章 支持向量机介绍 | 第24-42页 |
| ·支持向量机理论基础 | 第24-29页 |
| ·机器学习问题 | 第24-25页 |
| ·经验风险最小化 | 第25-26页 |
| ·统计学习理论 | 第26页 |
| ·VC维（Vapnik Chervonenkis Dimension） | 第26-27页 |
| ·推广性的界 | 第27-28页 |
| ·结构风险最小化（Structural Risk Minimization） | 第28-29页 |
| ·支持向量机模型 | 第29-38页 |
| ·线性可分情况 | 第30-33页 |
| ·线性不可分情况 | 第33-35页 |
| ·非线性可分情况 | 第35-38页 |
| ·支持向量机算法简介 | 第38-40页 |
| ·块算法（Chunking Algorithm） | 第38-39页 |
| ·分解（Decomposing）算法 | 第39页 |
| ·序列最小最优化算法 | 第39-40页 |
| ·支持向量机方法在个人信用评估中的适用性分析 | 第40-42页 |
| 第五章 分类树与支持向量机相结合的方法 | 第42-53页 |
| ·分类树与支持向量机相结合的方法介绍 | 第42-43页 |
| ·实证分析 | 第43-52页 |
| ·个人信用评估数据准备 | 第43-44页 |
| ·实例分析 | 第44-48页 |
| ·结果分析 | 第48-52页 |
| ·结论 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58页 |
