| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 选题背景及意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-11页 |
| 1.1.2 选题意义 | 第11页 |
| 1.2 本文主要内容及组织结构 | 第11-14页 |
| 1.2.1 研究内容 | 第11-13页 |
| 1.2.2 本文组织结构 | 第13-14页 |
| 1.3 论文的创新点 | 第14-16页 |
| 第二章 文献综述 | 第16-25页 |
| 2.1 非均衡分类问题的研究内容及现状 | 第16-22页 |
| 2.1.1 采样方法相关研究 | 第16-19页 |
| 2.1.2 分类算法改进相关研究 | 第19-21页 |
| 2.1.3 非均衡分类可能存在的问题 | 第21-22页 |
| 2.2 集成学习研宄综述 | 第22-25页 |
| 第三章 基于海林格距离随机森林集成分类模型对上市公司财务预警研究 | 第25-43页 |
| 3.1 上市公司财务预警理论 | 第25-26页 |
| 3.2 上市公司ST股简介 | 第26-27页 |
| 3.3 上市公司财务数据的获取与特点 | 第27-28页 |
| 3.4 随机森林分类算法 | 第28-30页 |
| 3.5 基于海林格距离的随机森林算法 | 第30-34页 |
| 3.5.1 基于海林格距离决策树 | 第30-32页 |
| 3.5.2 海林格距离的计算以及海林格决策树的构建 | 第32-33页 |
| 3.5.3 基于海格林距离的随机森林算法 | 第33-34页 |
| 3.6 基于海林格距离的随机森林模型在上市公司财务数据上的应用 | 第34-42页 |
| 3.6.1 实验框架流程图 | 第35-36页 |
| 3.6.2 实验环境 | 第36页 |
| 3.6.3 实验数据集 | 第36-37页 |
| 3.6.4 评价指标 | 第37-39页 |
| 3.6.5 实验方法及参数设置 | 第39页 |
| 3.6.6 实验结果及分析 | 第39-42页 |
| 3.7 小结 | 第42-43页 |
| 第四章 基于EasyEnsemble的Relief-SVM集成模型在CRM客户分类中的应用 | 第43-60页 |
| 4.1 客户关系管理 | 第43-44页 |
| 4.2 商业银行客户关系管理 | 第44页 |
| 4.3 商业银行客户资料数据的获取与特点 | 第44-45页 |
| 4.4 基于Relief的实验数据特征提取 | 第45-47页 |
| 4.5 基于EasyEnsemble的Relief-SVM客户流失预测模型 | 第47-51页 |
| 4.5.1 EasyEnsemble欠采样技术 | 第47-49页 |
| 4.5.2 基于组合核函数SVM的EasyEnsemble算法 | 第49-51页 |
| 4.6 实验框架流程图及结果分析 | 第51-58页 |
| 4.6.1 实验环境 | 第53页 |
| 4.6.2 参数设置 | 第53-54页 |
| 4.6.3 客户流失预测模型评价指标 | 第54-56页 |
| 4.6.4 实验结果及分析 | 第56-58页 |
| 4.7 小结 | 第58-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 展望与不足 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 作者简介 | 第68-69页 |
| 致谢 | 第69页 |
