社交数据驱动的P2P借贷风险评估模型
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 P2P借贷关键因素研究 | 第13-15页 |
| 1.2.2 P2P借贷风险评估算法 | 第15-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 相关技术综述 | 第20-31页 |
| 2.1 支持向量机模型 | 第20-23页 |
| 2.1.1 线性可分支持向量机 | 第20-23页 |
| 2.1.2 非线性支持向量机 | 第23页 |
| 2.2 BP神经网络模型 | 第23-27页 |
| 2.2.1 模型简介 | 第24-25页 |
| 2.2.2 模型定义和术语 | 第25-27页 |
| 2.3 随机森林模型 | 第27-30页 |
| 2.3.1 随机森林模型 | 第27-28页 |
| 2.3.2 随机森林训练过程 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 社交数据驱动的P2P借贷风险评估模型 | 第31-43页 |
| 3.1 问题定义 | 第31-33页 |
| 3.2 特征工程 | 第33-35页 |
| 3.2.1 数据的清洗 | 第33-34页 |
| 3.2.2 地理时间的处理 | 第34-35页 |
| 3.2.3 本文使用特征 | 第35页 |
| 3.3 模型描述 | 第35-41页 |
| 3.3.1 梯度增强决策树 | 第35-37页 |
| 3.3.2 社交数据驱动的GBDT | 第37-41页 |
| 3.4 模型训练 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 实验与分析 | 第43-55页 |
| 4.1 数据集及预处理 | 第43-44页 |
| 4.2 实验设计 | 第44-48页 |
| 4.2.1 数据集划分 | 第45页 |
| 4.2.2 评价标准 | 第45-47页 |
| 4.2.3 参数训练 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-51页 |
| 4.3.1 λ_d的影响分析 | 第48-49页 |
| 4.3.2 权重因λ_h,λ_k的影响分析 | 第49-51页 |
| 4.4 对比实验 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本文工作 | 第55-56页 |
| 5.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间主要研究成果 | 第62-63页 |
| 致谢 | 第63页 |
