| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 指标提取 | 第17-18页 |
| 1.2.2 评估方法 | 第18-20页 |
| 1.2.3 综合评述 | 第20页 |
| 1.3 研究内容与思路 | 第20-22页 |
| 1.4 研究特色与贡献 | 第22-24页 |
| 第二章 中小企业信用评估的技术基础 | 第24-35页 |
| 2.1 特征提取的技术基础 | 第24-27页 |
| 2.1.1 主成分分析 | 第24-25页 |
| 2.1.2 核主成分分析 | 第25-27页 |
| 2.2 信用评估模型的技术基础 | 第27-35页 |
| 2.2.1 基于统计分析的技术基础 | 第27-30页 |
| 2.2.1.1 多项Logistic回归分析 | 第27-28页 |
| 2.2.1.2 多元判别分析 | 第28-30页 |
| 2.2.1.2.1 二次判别分析 | 第28-29页 |
| 2.2.1.2.2 K-近邻判别分析 | 第29-30页 |
| 2.2.2 基于数据挖掘的技术基础 | 第30-35页 |
| 2.2.2.1 支持向量机 | 第30-32页 |
| 2.2.2.2 随机森林 | 第32-33页 |
| 2.2.2.3 人工神经网络 | 第33-35页 |
| 第三章 中小企业信用评估体系的指标选取 | 第35-42页 |
| 3.1 信用等级的划分 | 第35页 |
| 3.2 数据选取及预处理 | 第35-38页 |
| 3.2.1 中小企业信用评估体系的确定 | 第35-37页 |
| 3.2.2 数据选取 | 第37-38页 |
| 3.2.3 数据预处理 | 第38页 |
| 3.2.3.1 时序数据的线性加权 | 第38页 |
| 3.2.3.2 指标的同趋化处理 | 第38页 |
| 3.2.3.3 指标的归一化处理 | 第38页 |
| 3.3 信用评估指标的特征提取 | 第38-42页 |
| 3.3.1 基于主成分分析的特征提取 | 第38-39页 |
| 3.3.2 基于核主成分分析的特征提取 | 第39-41页 |
| 3.3.3 两者性能比较 | 第41-42页 |
| 第四章 基于统计分析的中小企业信用评估模型的构建 | 第42-52页 |
| 4.1 基于Smote算法的不平衡分类问题处理 | 第42-45页 |
| 4.1.1 不平衡分类问题的处理方法 | 第42-43页 |
| 4.1.2 Smote算法 | 第43-44页 |
| 4.1.3 新数据集的合成及划分 | 第44-45页 |
| 4.2 基于Logistic回归的信用评估模型的构建 | 第45-48页 |
| 4.2.1 多项Logistic回归模型的建立 | 第45-47页 |
| 4.2.2 多项Logistic回归模型的预测与检验 | 第47-48页 |
| 4.3 基于判别分析的信用评估模型的构建 | 第48-51页 |
| 4.3.1 基于二次判别的信用评估模型的构建 | 第48-50页 |
| 4.3.1.1 二次判别分析模型的建立 | 第48-49页 |
| 4.3.1.2 二次判别分析模型的预测与检验 | 第49-50页 |
| 4.3.2 模型优化 | 第50-51页 |
| 4.3.2.1 K-近邻判别分析模型的建立 | 第50-51页 |
| 4.3.2.2 K-近邻判别分析模型的预测与检验 | 第51页 |
| 4.4 性能比较 | 第51-52页 |
| 第五章 基于数据挖掘的中小企业信用评估模型的构建 | 第52-59页 |
| 5.1 基于SVM的信用评估模型的构建 | 第52-53页 |
| 5.1.1 SVM模型的建立 | 第52页 |
| 5.1.2 SVM模型的预测与检验 | 第52-53页 |
| 5.2 基于RF的信用评估模型的构建 | 第53-55页 |
| 5.2.1 RF模型的建立 | 第53-55页 |
| 5.2.2 RF模型的预测与检验 | 第55页 |
| 5.3 基于ANN的信用评估模型的构建 | 第55-58页 |
| 5.3.1 ANN模型的建立 | 第55-57页 |
| 5.3.2 ANN模型的预测与检验 | 第57-58页 |
| 5.4 性能比较 | 第58-59页 |
| 第六章 总结与展望 | 第59-63页 |
| 6.1 研究总结 | 第59-61页 |
| 6.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-69页 |
| 致谢 | 第69-71页 |