基于数据挖掘技术的微额借款用户的信用预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-14页 |
| 1.1.1 互联网金融的崛起 | 第10-11页 |
| 1.1.2 大数据时代的来临 | 第11-13页 |
| 1.1.3 研究意义及应用价值 | 第13-14页 |
| 1.2 研究内容及创新点 | 第14页 |
| 1.3 论文组织结构 | 第14-16页 |
| 第2章 信用评估在数据挖掘领域的文献计量分析 | 第16-26页 |
| 2.1 文献计量工具与数据说明 | 第16-17页 |
| 2.2 信用评估数据挖掘领域的作者合作分析 | 第17-20页 |
| 2.3 信用评估数据挖掘领域的关键字共现分析 | 第20-22页 |
| 2.4 信用评估数据挖掘领域的文献共被引分析 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基本知识介绍 | 第26-32页 |
| 3.1 信用评估概述 | 第26-27页 |
| 3.2 数据挖掘概述 | 第27-30页 |
| 3.2.1 数据挖掘简介 | 第27-28页 |
| 3.2.2 数据挖掘与统计学的渊源 | 第28-29页 |
| 3.2.3 数据挖掘的一般流程 | 第29-30页 |
| 3.3 信用评估与数据挖掘的关系 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 对微额借款用户信用评估的实例分析 | 第32-45页 |
| 4.1 数据说明 | 第32-33页 |
| 4.1.1 数据来源 | 第32-33页 |
| 4.1.2 数据预处理 | 第33页 |
| 4.2 数据挖掘中常用分析方法的比较研究 | 第33-34页 |
| 4.3 用户信用数据的Logistic回归 | 第34-37页 |
| 4.3.1 Logistic回归基本原理 | 第34-36页 |
| 4.3.2 实例分析 | 第36-37页 |
| 4.4 用户信用数据的K最邻近回归 | 第37-39页 |
| 4.4.1 K最邻近回归基本原理 | 第37-38页 |
| 4.4.2 实例分析 | 第38-39页 |
| 4.5 用户信用数据的决策树分析 | 第39-41页 |
| 4.5.1 决策树基本原理 | 第39-40页 |
| 4.5.2 实例分析 | 第40-41页 |
| 4.6 lasso回归 | 第41-43页 |
| 4.6.1 lasso回归基本原理 | 第41-42页 |
| 4.6.2 实例分析 | 第42-43页 |
| 4.7 本章小结 | 第43-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 论文工作总结 | 第45-46页 |
| 5.2 进一步研究展望 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 附录 | 第49-53页 |
| 致谢 | 第53页 |
