| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 信用风险预测发展与现状 | 第9-11页 |
| 1.2.2 云平台技术发展现状 | 第11-12页 |
| 1.2.3 预测算法研究现状 | 第12页 |
| 1.3 论文内容及论文结构 | 第12-14页 |
| 第二章 大数据平台相关技术与环境搭建 | 第14-22页 |
| 2.1 大数据框架相关技术 | 第14-17页 |
| 2.1.1 HDFS分布式文件系统介绍 | 第14-15页 |
| 2.1.2 Spark技术介绍 | 第15-16页 |
| 2.1.3 Hive数据仓库 | 第16-17页 |
| 2.2 基于Ambari的集群环境安装 | 第17-21页 |
| 2.2.1 集群安装前准备 | 第18页 |
| 2.2.2 Ambari安装 | 第18-20页 |
| 2.2.3 安装HDP | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 大数据平台下数据整合 | 第22-34页 |
| 3.1 整合模块架构 | 第22-24页 |
| 3.1.1 整合模块的逻辑架构 | 第22-23页 |
| 3.1.2 整合模块的技术架构 | 第23-24页 |
| 3.2 各个子模块职责与数据处理方法 | 第24-33页 |
| 3.2.1 贴源层 | 第25-27页 |
| 3.2.2 主题层 | 第27-29页 |
| 3.2.3 业务层 | 第29-31页 |
| 3.2.4 应用层 | 第31-32页 |
| 3.2.5 联机查询 | 第32-33页 |
| 3.2.6 基于MOIA任务调度 | 第33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 代价敏感和xgboost算法研究 | 第34-44页 |
| 4.1 代价敏感 | 第34-36页 |
| 4.1.1 代价敏感学习介绍 | 第34-35页 |
| 4.1.2 代价敏感学习流程图 | 第35-36页 |
| 4.2 梯度提升决策树算法 | 第36-39页 |
| 4.2.1 Boosting算法 | 第36-38页 |
| 4.2.2 GBDT算法介绍 | 第38-39页 |
| 4.2.3 GBDT算法流程 | 第39页 |
| 4.3 极限梯度提升决策树算法 | 第39-43页 |
| 4.3.1 极限梯度提升决策树算法介绍 | 第39页 |
| 4.3.2 xgboost算法推导 | 第39-42页 |
| 4.3.3 xgboost中决策树的生成 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 代价敏感的xgboost算法应用 | 第44-54页 |
| 5.1 实验平台和工具介绍 | 第44页 |
| 5.2 分类算法评价标准 | 第44-46页 |
| 5.2.1 分类的准确性 | 第44-45页 |
| 5.2.2 F1-value | 第45页 |
| 5.2.3 AUC和ROC | 第45-46页 |
| 5.3 基于代价敏感的xgboost算法实现和分析 | 第46-48页 |
| 5.3.1 公开数据集选取 | 第46-47页 |
| 5.3.2 实验结果分析 | 第47-48页 |
| 5.4 基于cs-xgboost算法的信用卡逾期预测实现 | 第48-53页 |
| 5.4.1 特征选择 | 第48-51页 |
| 5.4.2 实验结果分析 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 主要结论 | 第54-55页 |
| 6.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60页 |