| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 1. 导论 | 第13-17页 |
| ·研究的背景 | 第13页 |
| ·研究意义 | 第13-14页 |
| ·研究思路及框架 | 第14-15页 |
| ·研究方法 | 第15-17页 |
| ·实证研究穿插比较研究并与规范研究相结合 | 第15-16页 |
| ·运用现代机器学习方法和借助于计算机编程工具相结合 | 第16-17页 |
| 2. 文献综述 | 第17-21页 |
| ·国内外企业信用风险评价相关研究综述 | 第17-18页 |
| ·国外企业信用风险评价相关研究综述 | 第17-18页 |
| ·国内企业信用风险评价相关研究综述 | 第18页 |
| ·国内外随机森林研究文献综述 | 第18-21页 |
| ·国外随机森林研究文献综述 | 第19页 |
| ·国内随机森林研究文献综述 | 第19-21页 |
| 3. 我国电力生产企业信用风险评价概述 | 第21-31页 |
| ·信用与信用风险的内涵 | 第21-22页 |
| ·企业信用风险评价简述 | 第22-28页 |
| ·信用风险评价含义 | 第22-23页 |
| ·信用风险评价方法简介 | 第23-24页 |
| ·现代主要信用风险评价模型 | 第24-28页 |
| ·我国电力生产行业的界定和现状 | 第28-30页 |
| ·我国电力生产行业的界定 | 第28-29页 |
| ·我国电力生产行业的现状 | 第29-30页 |
| ·电力生产行业信用风险评价的研究意义 | 第30-31页 |
| 4. 随机森林算法基本理论 | 第31-44页 |
| ·关于分类问题的探讨 | 第31-34页 |
| ·分类问题简介与分类器原理 | 第31-33页 |
| ·分类器组合介绍 | 第33-34页 |
| ·决策树与分类回归树 | 第34-37页 |
| ·CART的构造 | 第35-36页 |
| ·CART的剪枝 | 第36-37页 |
| ·BAGGING方法 | 第37-38页 |
| ·随机森林模型 | 第38-44页 |
| ·随机森林定义 | 第38页 |
| ·RF模型的基本思想 | 第38-39页 |
| ·RF算法的泛化误差理论分析 | 第39-41页 |
| ·OOB估计 | 第41-42页 |
| ·RF算法的优势与模型应用 | 第42-44页 |
| 5. 构建信用风险评价指标体系 | 第44-58页 |
| ·信用等级的划分 | 第44-45页 |
| ·确定信用风险评价候选指标集 | 第45-50页 |
| ·样本预处理 | 第50-52页 |
| ·原始样本数据集介绍 | 第50-51页 |
| ·样本量处理及输入归一化 | 第51-52页 |
| ·评价指标体系的确定 | 第52-58页 |
| ·评价指标选择的基本原理 | 第52-53页 |
| ·特征选择具体实现与评价指标体系的确定 | 第53-58页 |
| 6. 基于随机森林的电力生产企业信用风险评价模型 | 第58-66页 |
| ·实验数据介绍 | 第58页 |
| ·基于RF方法的仿真实验 | 第58-65页 |
| ·随机森林对噪声的容忍度 | 第59-60页 |
| ·随机森林模型参数的选择 | 第60-62页 |
| ·电力生产企业信用风险评价模型 | 第62-64页 |
| ·随机森林模型预测能力评价 | 第64-65页 |
| ·小结 | 第65-66页 |
| 7. 总结与展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71-74页 |
| 后记 | 第74-75页 |
| 致谢 | 第75-76页 |