| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第19-29页 |
| 1.1 商业银行破产预测研究背景及意义 | 第19-20页 |
| 1.2 数据挖掘概述 | 第20-24页 |
| 1.3 银行破产预测数据挖掘需求 | 第24-26页 |
| 1.4 论文主要内容和结构 | 第26-29页 |
| 第2章 非均衡数据SVM分类规则提取方法 | 第29-47页 |
| 2.1 非均衡数据SVM分类 | 第29-30页 |
| 2.2 非均衡数据分类面临的问题 | 第30-31页 |
| 2.3 非均衡数据分类策略 | 第31页 |
| 2.4 重抽样方法 | 第31-32页 |
| 2.5 非均衡分类评价指标 | 第32-35页 |
| 2.6 支持向量机规则提取 | 第35-46页 |
| 2.6.1 加权支持向量机 | 第35-39页 |
| 2.6.1.1 加权支持向量机的基本思想 | 第35-37页 |
| 2.6.1.2 核函数 | 第37-38页 |
| 2.6.1.3 加权支持向量机流程 | 第38-39页 |
| 2.6.2 规则提取算法简介 | 第39-46页 |
| 2.6.2.1 基于学习的支持向量机规则提取方法 | 第39-40页 |
| 2.6.2.2 折衷的支持向量机规则提取方法 | 第40-41页 |
| 2.6.2.3 混合的支持向量机规则提取方法 | 第41-42页 |
| 2.6.2.4 直接规则学习方法 | 第42-44页 |
| 2.6.2.5 基于主动学习的规则提取方法 | 第44-46页 |
| 2.7 本章小结 | 第46-47页 |
| 第3章 基于主动学习的非均衡数据SVM分类规则提取算法—mPPALBA | 第47-85页 |
| 3.1 引言 | 第47页 |
| 3.2 主动学习的SVM分类规则提取方法——mPPALBA | 第47-55页 |
| 3.2.1 mPPALBA算法机理分析 | 第48-51页 |
| 3.2.2 算法实现步骤 | 第51-53页 |
| 3.2.3 算法伪代码分析 | 第53-55页 |
| 3.3 对比算法介绍 | 第55页 |
| 3.4 Ripley实验仿真和结果分析 | 第55-68页 |
| 3.4.1 Ripley数据集描述 | 第56-59页 |
| 3.4.2 Ripley数据集实验结果 | 第59-61页 |
| 3.4.3 不同算法的性能比较 | 第61-65页 |
| 3.4.4 Ripley规则集 | 第65-68页 |
| 3.5 benchmark数据集实验仿真和结果分析 | 第68-84页 |
| 3.5.1 benchmark数据集描述与准备 | 第68-70页 |
| 3.5.2 benchmark数据集实验结果 | 第70-75页 |
| 3.5.3 不同算法的性能比较 | 第75-83页 |
| 3.5.4 AUC曲线分析 | 第83-84页 |
| 3.6 本章小结 | 第84-85页 |
| 第4章 非均衡数据分类规则提取方法在商业银行破产预测中的应用 | 第85-103页 |
| 4.1 引言 | 第85-86页 |
| 4.2 商业银行破产预测数据挖掘方法论 | 第86-87页 |
| 4.3 基于主动学习过抽样的商业银行破产预测算法 | 第87-102页 |
| 4.3.1 实验准备 | 第87-88页 |
| 4.3.2 CAMELS属性计算公式 | 第88-89页 |
| 4.3.3 mPPALBA商业银行破产预测实验 | 第89页 |
| 4.3.4 美国商业银行破产预测实验结果与分析 | 第89-92页 |
| 4.3.5 SVM-RFE-mPPALBA算法机理和实现步骤 | 第92-93页 |
| 4.3.6 SVM-RFE-mPPALBA算法的美国商业银行破产预测实验 | 第93-102页 |
| 4.4 本章小结 | 第102-103页 |
| 第5章 总结与展望 | 第103-105页 |
| 5.1 研究工作总结 | 第103-104页 |
| 5.2 进一步的研究展望 | 第104-105页 |
| 参考文献 | 第105-111页 |
| 攻读硕士学位期间主要的研究成果 | 第111-112页 |
| 附录A:个人简历 | 第112页 |
