无抵押贷款客户风险评估及贷款需求预测
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 选题背景 | 第8页 |
| 1.2 选题意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.3.1 国外研究现状 | 第9-10页 |
| 1.3.2 国内的研究现状 | 第10-11页 |
| 1.4 研究目的 | 第11页 |
| 1.5 研究内容 | 第11-13页 |
| 2 大数据风控简介 | 第13-18页 |
| 2.1 无抵押贷款风险事件 | 第13-14页 |
| 2.2 大数据技术在风控中的应用 | 第14-16页 |
| 2.3 大数据风控的优势 | 第16-18页 |
| 3 算法综述 | 第18-25页 |
| 3.1 CART树算法 | 第18-20页 |
| 3.1.1 基尼指数 | 第19页 |
| 3.1.2 分类树生成算法 | 第19-20页 |
| 3.1.3 回归树生成算法 | 第20页 |
| 3.2 XGBoost算法 | 第20-25页 |
| 3.2.1 XGBoost原理 | 第21-23页 |
| 3.2.2 精确贪心算法 | 第23页 |
| 3.2.3 Shrinkage和特征重采样 | 第23页 |
| 3.2.4 XGBoost算法总结 | 第23页 |
| 3.2.5 XGBoost优势 | 第23-25页 |
| 4 数据获取与预处理 | 第25-31页 |
| 4.1 数据来源与说明 | 第25-27页 |
| 4.2 数据预处理 | 第27-31页 |
| 4.2.1 缺失值处理 | 第27-28页 |
| 4.2.2 属性变量独热编码 | 第28-29页 |
| 4.2.3 数据不平衡处理 | 第29-31页 |
| 5 模型建立与评估 | 第31-41页 |
| 5.1 信用评估模型建立与评估 | 第31-38页 |
| 5.1.1 训练逻辑回归模型 | 第31-32页 |
| 5.1.2 训练随机森林模型 | 第32页 |
| 5.1.3 训练XGBoost模型 | 第32-34页 |
| 5.1.4 模型融合 | 第34-35页 |
| 5.1.5 信用评估模型评价 | 第35-38页 |
| 5.2 需求预测模型建立与评估 | 第38-41页 |
| 5.2.1 训练XGBoost模型 | 第38-39页 |
| 5.2.2 模型评估 | 第39-41页 |
| 6 总结 | 第41-43页 |
| 6.1 结论 | 第41页 |
| 6.2 进一步展望 | 第41-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-45页 |
