| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-15页 |
| 1.1 数据挖掘介绍 | 第12页 |
| 1.2 数据挖掘在金融行业的应用 | 第12-13页 |
| 1.3 本工作意义 | 第13页 |
| 1.4 论文组织 | 第13-15页 |
| 第二章 样本数据集上的贷款概率预测 | 第15-34页 |
| 2.1 数据统计 | 第15-21页 |
| 2.1.1 数据基本信息 | 第15-16页 |
| 2.1.2 特征相关性分析 | 第16页 |
| 2.1.3 特征互信息分析 | 第16-17页 |
| 2.1.4 特征与标签分布统计 | 第17-21页 |
| 2.2 数据处理 | 第21-23页 |
| 2.2.1 数据清洗 | 第21-22页 |
| 2.2.2 数据格式转换 | 第22-23页 |
| 2.2.3 训练集、测试集划分 | 第23页 |
| 2.3 数据建模 | 第23-29页 |
| 2.3.1 平台介绍 | 第23-24页 |
| 2.3.2 FGBDT算法介绍 | 第24-26页 |
| 2.3.3 模型训练-sklearn库LogisticRegression模型 | 第26页 |
| 2.3.4 模型训练-sklearn库GBDT模型 | 第26-27页 |
| 2.3.5 模型训练-sklearn库svm模型 | 第27页 |
| 2.3.6 模型训练-sklearn库RandomForest模型 | 第27页 |
| 2.3.7 pulsar平台LogisticRegression模型 | 第27-28页 |
| 2.3.8 pulsar平台FGBDT算法 | 第28-29页 |
| 2.3.9 各模型结果比较 | 第29页 |
| 2.4 精度提升特征分组 | 第29-32页 |
| 2.4.1 注册信息说明 | 第29-30页 |
| 2.4.2 特殊分组 | 第30-31页 |
| 2.4.3 分组模型训练流程 | 第31-32页 |
| 2.5 贷款概率预测 | 第32-34页 |
| 第三章 基于PULSAR平台FGBDT算法的贷款概率预测系统 | 第34-46页 |
| 3.1 背景介绍 | 第34-37页 |
| 3.1.1 Pulsar平台FGBDT算法介绍 | 第34页 |
| 3.1.2 Pulsar平台FGBDT算法的缺点 | 第34-36页 |
| 3.1.3 FGBDT算法对贷款概率预测问题的合理性 | 第36-37页 |
| 3.2 系统设计 | 第37-41页 |
| 3.2.1 系统框架 | 第37-38页 |
| 3.2.2 系统各模块设计及功能说明 | 第38-40页 |
| 3.2.3 系统开发环境说明 | 第40-41页 |
| 3.3 系统展示 | 第41-46页 |
| 3.3.1 FGBDT超参学习系统在Pulsar平台入口 | 第41-42页 |
| 3.3.2 系统前端界面展示 | 第42-43页 |
| 3.3.3 系统监控界面展示 | 第43-44页 |
| 3.3.5 系统运行结果展示 | 第44-46页 |
| 第四章 总结及展望 | 第46-48页 |
| 4.1 工作内容总结 | 第46页 |
| 4.2 展望 | 第46-48页 |
| 参考论文 | 第48-50页 |
| 致谢 | 第50-51页 |
| 附录 | 第51-74页 |
| 作者简介 | 第74页 |
