一、模糊评价模型在个人信用评估中的应用（论文文献综述）
许文彬[1]（2021）在《基于联邦学习的W信贷公司个人信用风险评估研究》文中研究说明
林卫明[2]（2021）在《基于特征选择和集成算法的个人信用评估研究》文中研究指明近年来,随着我国信贷消费的快速发展,如何通过借贷者基本信息和行为特征,识别并预测未来贷款偿还意愿,降低违约事件发生概率,将风险控制在低水平,已成为银行和各大金融机构的重大课题,也是促进经济平稳发展的重要方向。国内学者已经运用统计学方法、机器学习方法做了大量的研究,但模型的预测效果仍有一定的提升空间。本文旨在对Lending Club平台信贷数据分析,提出多阶段的优化处理方案。通过对信贷数据的探索性分析,在预处理阶段,将连续型数据根据有监督信息值离散化处理,不同的数据类型采取相应编码方式,提高分类性能。基于高维度的特征,提出利用Pearson相关系数法、卡方检验、递归特征消除法、Lasso回归、随机森林五种方式组合投票,有效提取特征,降低特征维度。在模型构建阶段,提出了两种个人信用评估模型构建方式。第一,改进的Stacking集成模型。通过对主流二分类算法的对比分析,在多样性和精准性的原则下选择了随机森林、极端随机树、Light GBM三种模型作为第一层模型,简单不复杂的单一算法Logistic、KNN、NB、SVM作为二层模型,分别构建单一的Stacking集成模型,最终预测采取软投票的方式。实验结果表明,以Logistic和KNN作为二层模型构造的三层Stacking集成模型可以平衡准确率和召回率,具有更好的分类效果。第二,利用不平衡集成框架Selfpaced集成构建个人信用评估模型。采用具有较好分类性能的随机森林、极端随机树、XGBoost、Light GBM四种模型分别作为基模型构造个人信用评估模型,并与基模型进行对比。结果表明,引入硬度函数的不平衡集成学习方式,能够提高基模型的预测效果,对违约用户的识别度更高。为进一步提高分类性能,以XGBoost算法为例,对超参数进行优化处理,实证了Hyperband算法可以提高集成模型的分类效果。这一系列研究,可以为授信机构制定法规政策提供理论依据,为建立信用监管体系提供新的思路。
都珂珂[3]（2021）在《结合深信度网络与随机森林的个人信用评估模型》文中研究表明如今,互联网、大数据、人工智能和实体经济间的发展早已相辅相成互为表里,建立起信息技术与金融经济协同发展的桥梁是培育我国经济增长的新抓手和新动力。在日常经济活动中,物质发展不断丰富,个人向往的美好生活的标准也不断提高,个人信贷业务的发展规模不断扩大,这使得该领域的工作难度不断增加。因此如何探索更科学更高效的信用风险评估方法成为了金融科技方向研究的热点之一。随着金融活动渗透到每个人的日常生活,海量的数据使得描述个人信用信息更全面的同时,为特征的学习带来很大的难度,同时,不同特征对信用评价的贡献度不同,因而如何更精准地学习影响信用好坏的决定性特征是研究的关键。在机器学习中,对人类神经系统与认知方式仿生的神经网络可以完成在海量数据中对局部的信息高效地综合,这使得特征提取的过程相对于传统方法有效减少了人主观性的影响。深信度网络作为基于受限玻尔兹曼机网络的深层网络,可以深度挖掘特征间关系。随机森林作为集成学习方法被广泛使用,能使得基分类器之间取长补短,同时可以有效避免单棵决策树常出现的过拟合情况的产生。于是,本文将深信度网络与随机森林进行结合对个人信用评估问题展开研究。论文的主要内容包括以下三个部分:构建了基于随机森林的个人信用评估模型。随机森林是一种常见的集成方法,在处理分类等问题上取得良好的效果。通过德国信用数据与中国X商业银行信用数据两数据集上的分类性能对比实验可以发现,利用随机森林方法对信用数据进行重要特征提取与异常值去除可以有效地提高模型的分类性能,在中国X商业银行信用数据上准确率达到了 98.23%,但是在德国信用数据上的分类性能有待提高。构建了基于深信度网络的个人信用评价体系。随着人工智能概念的兴起机器学习的发展方向以更像人类为标准进化。这使得机器学习仿效生物神经系统进行学习,成为了一种信息处理的潮流方式。本文利用深信度网络建立了个人信用评估指标体系。基于德国信用数据集,共提取出重要款项17条,归属于12类属性,涵盖了信用历史、现有的支票账户状态、贷款目的等重要属性;基于中国X银行信用数据集,共提取出重要款项15条,归属于9类属性,涵盖了信用历史、工龄、职业和住房等重要属性。构建了结合深信网络与随机森林的个人信用评估组合模型。考虑到深信度网络可以无监督全方位地学习信用特征,将深信度网络与随机森林相结合构建了个人信用评估的组合模型。通过与随机森林、基于关联规则的分类、分类决策树三种经典方法进行对比,无论在德国信用数据集还是中国商业银行数据集上,组合模型对于信用评估的准确性更佳。
张儒[4]（2021）在《基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估》文中指出近几年随着互联网技术快速发展,金融科技逐渐融入人们生活中,极大程度上提升了金融服务的便捷性和效率。相对于传统商业银行贷款而言,网络小贷具备进入门槛低、贷款不需抵押物或质押物,可直接在网络上申请且借款人信息公开透明等特性,受到个人及小微融资企业的喜爱,行业发展扩张速度极快。受限于借款对象的法律意识和信用意识薄弱,少数借款人隐瞒自身真实收益情况,平台不能对每一个借款人都进行实地考察,调查其真实状况,导致贷前筛选较为宽松,贷后跟踪不及时,由此引发网络小贷供给过热的现状,到期后大量客户不能归还本息,网络小贷平台资金亏损严重。这其中有监管过于放松的原因,平台对借款人审核不严格,为了规范金融科技行业秩序,2020年5月9日,中国银保监会发布《商业银行网络小额贷款管理办法》（征求意见稿）,以及2020年11月2日中国银保监会会同中国人民银行等部门颁布了《网络小额贷款业务管理暂行办法（征求意见稿）》,加强对网络小贷行业参与者的约束,特别是征求意见稿为网络小贷指明了供给侧改革之路,明确要求降低资金高杠杆率,限制平台经营范围,调控规模,完善风控体系,这一切旨在防范网络小贷风险。信用风险、流动性风险、操作风险等诸多风险中,信用风险最为被人关注,而防范信用风险的基础是合理评估信用风险。建立科学合理的个人信用评估指标体系及借助金融科技技术构建有效模型管理借款人个人信用风险,这一方面不仅能够减小网络小贷公司的资金损失,促进网络小贷长远发展;另一方面,筛选出真正信用质量高的客户,以更低的成本满足在传统金融机构难以获得资金的小微企业和个人融资需求,有效引导金融资源投向实体经济,为小微企业和个人提供“普且惠”的金融服务,激励网络小贷平台参与共建普惠金融新生态,助力普惠金融“最后一公里”。因此,建立网络小贷个人信用评估系统,为信用风险发生提前预警,这样才能优化金融生态环境,营造良好市场环境,从而促进我国网络小贷行业健康发展。本文基于网络小贷平台2017年1月至2019年12月之间的借款人借贷数据,利用统计学方法和Extra Trees（ET）对处理后的样本数据进行特征筛选,并采用SMOTEENN算法对数据平衡处理,随后建立深度神经网络识别借款人是否会违约。为评估所构建模型的分辨能力,本文采用混淆矩阵、ROC曲线、AUC值、F1-score值等多个性能评估指标。最后,将表现最好的深度神经网络用于数据平衡处理前后,比较发现数据平衡处理后,模型预测效果更优;并将最优深度神经网络、BP神经网络、逻辑回归模型及KNN算法几种算法比较,发现本文构建的混合模型分类性能优于单个模型;除此之外,机器学习算法优于逻辑回归模型效果。可见,本文所建个人信用风险评估模型能更加准确有效识别客户是否会违约。最后,基于本文研究结果,对网络小贷个人风险识别控制提出了几点建议:促进金融市场个人征信体系和个人征信报告的完善,实现信用信息共享;构建风险管理监督预警体系;数据样本采集优化,提高平台对个人信用风险识别能力,筛选优质客户,保证网络小贷业务良性发展。
杨坡[5]（2021）在《基于柔性神经树模型的个人信用评估方法研究及应用》文中研究表明随着国内经济的飞速发展和人民消费能力的大幅度提升,越来越多的信用消费产品出现在我们的身边。信贷消费已经成为国内商业银行的重点业务,而且随着互联网的不断发展,更多的互联网信贷消费产品被推向市场。然而商业银行和互联网金融机构对于信贷风险管理存在一定的不足,且国内没有统一的信用评估方法,出现了较多的失信违约行为,给金融机构造成了不小的损失。因此研究并构建完整、有效的个人信用评估模型来解决国内信用评估出现的问题具有重要的实用价值和研究意义。当前各金融机构主要利用借款人历史信用消费记录、资产以及个人基本情况等信息作为信用评估的数据。这些数据有着维度高、噪声大等缺点,会造成客户信息收集时间较长、评价指标过多、审核时间过长等问题。通过分析当前个人信用风险评估的发展现状,分别从个人信用风险评价指标的选择和评估分类模型两个方面进行研究。首先将融合BP的柔性神经树模型应用到个人信用风险评估中,然后构建基于伪逆学习的柔性神经树模型,并将其用于解决个人信用风险评估问题。通过实验结果来看,使用基于伪逆学习的柔性神经树的相关方法可以完成筛选重要评价指标的工作,并提高评价结果的可解释性。此外也提高了银行信用风险评估的分类精度,为后续信用风险评估的发展提供了建议。本文的主要研究内容如下所示:（1）将融合BP的柔性神经树模型应用到个人信用风险评估中。首先利用遗传编程和粒子群优化生成一个柔性神经树,该树结构是由筛选出的重要输入属性构建而成。然后再在所得到的树结构的基础上构建神经网络,并利用BP算法进行参数优化,从而在得到重要指标的同时达到较好的分类效果。通过实验,该模型在分类精度上比支持向量机、逻辑回归、决策树等算法更好。（2）构建了基于伪逆学习的柔性神经树模型,并将该模型应用到个人信用风险评估中。该模型只利用柔性神经树中树结构设计优化部分来得到基于数据集的树结构,我们将树结构深度限定为三层,然后构建神经网络。伪逆学习算法对神经网络进行精确学习。通过实验,该模型可以在相比于融合BP的柔性神经树模型运行时间减少较多的情况下获得相较于支持向量机、逻辑回归、决策树、柔性神经树等分类算法更好的分类效果。（3）实现了以基于融合BP的柔性神经树模型为核心的信用风险评估软件。该软件基于德国信用数据进行建模,利用融合BP的柔性神经树模型对个人信用风险评估数据进行预测,根据业务流程设计软件界面、数据库和系统逻辑并实现其功能,保证了软件的实用性和有效性。
苏乐[6]（2021）在《基于XGBoost特征筛选的CNN模型在客户信用评估中的应用》文中研究说明现如今,经济的发展和支付手段的更新带来人们消费观念的转变,先消费后还款的方式逐渐被人们接受并迅速流行起来,从公司融资到百姓买房买车,从家具电器用信用卡分期付款到生活用品用蚂蚁花呗京东白条,如今生活的方方面面都少不了借贷的身影.贷款机构对客户能否正常还款进行准确判断是十分重要的.一方面,贷款机构因错误判断对信用较差的客户进行了贷款的发放,贷款客户不能如约还款会造成贷款机构的经济损失;另一方面,若贷款机构对信用良好的客户错误判断而拒绝发放贷款也会使贷款机构的信用受损.因此,如何对贷款人进行信用评估,在贷款发生前尽可能地准确区分正常用户和违约用户,减少因对贷款客户的错误分类造成的经济损失和信用损失就显得尤为重要.本文第一部分介绍了信用评估研究的背景及意义,对信用评估的重要性进行了分析,并结合国内外信用评估的相关文献,对信用评估的发展进行了初步认识.第二部分重点介绍了基于XGBoost算法的特征筛选方式以及卷积神经网络分类模型等相关基础知识.第三部分通过国外公开数据集Lending Club2019年的数据进行分析,验证了基于XGBoost特征筛选的卷积神经网络模型在客户信用评估问题中是优质的.在实证研究中,通过对原始数据集进行变量预处理得到初步的数据集,再利用XGBoost算法对剩余变量进行特征筛选,并利用IV值、主成分分析两种特征筛选方法作为对比,通过卷积神经网络模型验证了 XGBoost方法进行特征筛选的优越性,即利用XGBoost进行特征筛选提高了模型精度.为了验证卷积神经网络在客户信用评估中的有效性,本文将XGBoost筛选出的特征变量作为输入变量对卷积神经网络模型以及其他四种传统分类模型进行对比研究,通过对正负样本的区分能力和模型的整体性能两方面的评价指标对模型效果进行分析.研究发现,卷积神经网络模型在区分正常用户与违约用户方面以及模型整体性能方面都达到了较高的水平,并且卷积神经网络在输出层设置的Sigmoid激活函数使得输出结果为违约概率,这就使得XGBoost算法与卷积神经网络结合构建的模型不仅分类精度高,在实际应用时还可以通过客户违约概率结合机构实际情况判断是否批准发放贷款.因此,基于XGBoost算法的卷积神经网络模型更适合对客户信用问题进行评估.在第四部分,本文对全文研究内容进行总结,并就国内客户信用评估的发展给出合理化的建议与展望.本文利用XGBoost算法与卷积神经网络模型相结合的方法对客户信用问题进行研究,验证了此种方法能够提高信用评估模型的分类精度,有助于贷款机构根据分类结果,结合自身实际情况对新客户作出是否批准贷款发放的决定.本文研究的内容可以在一定程度上降低客户信用风险,减少贷款机构经济损失,提高贷款机构运行效率,从理论上完善了客户信用评估体系.
薛茂婷[7]（2021）在《工程造价专业人员职业信用评价研究》文中提出随着经济的快速发展,我国建筑行业发展速度也在稳步提升,市场主体的信用问题逐渐突出,建设市场主体的信用缺失极大地阻碍了建筑业的可持续健康发展。直至目前,我国个人信用研究主要集中在金融行业、互联网行业和商业银行等。在建筑行业中,相关建筑企业已逐步建立起信用评价体系,而建筑主体人员职业信用方面虽已有大量学者开始着手研究,但还未形成完善的建筑市场从业人员职业信用评价体系。基于此,结合建筑市场职业信用现状,以工程造价专业人员为研究对象,对其职业信用评价指标体系和评价模型展开研究。首先,对国内外建筑行业信用发展现状及信用评价研究现状展开梳理,分析工程造价专业人员职业信用评价的行业背景及政策背景,并从伦理层面、法律层面、货币经济三个层面描述造价人员的信用内涵;在此基础之上对信息不对称理论与信用及其对本文研究的指导作用进行阐述,梳理造价人员在决策阶段、设计阶段、招投标阶段、施工阶段、竣工阶段的主要职责并对其失信原因进行分析。其次,采用文献研究法对相关文献、法律法规、规范准则以及国家地方的政策文件进行指标收集整理,归纳前人研究成果择优选取信用评价指标;再利用问卷调查法对指标做进一步的确定,并对最终指标基于SPSS18.0进行因子分析,对指标进行归类优化,构建最终工程造价专业人员职业信用评价指标体系;采用组合赋权法即熵权法与层次分析法相结合的方法确定各层指标的权重,运用模糊综合评价法对其职业信用评估的具体过程进行论述。最后,在构建工程造价专业人员职业信用评价模型的基础上,应用前文论述的方法以某公司三名具有代表性的工程造价专业人员为例,采用本文提出的基于熵权法与层次分析法确定的指标权重,运用模糊综合评价法对模型进行实例分析并提出信用评价体系应用的保障措施,最终得出的结果验证了该模型具有一定的实用性与较强的应用性。工程造价专业人员职业信用研究丰富了建筑行业主体人员的个人职业信用研究内容,构建一套统一的工程造价专业人员职业信用评价体系,有助于增强个人职业信用的把控意识,同时对用人单位个人职业信用的监管提供借鉴意义,促进我国建筑市场信用体系健康发展。
宋宇航[8]（2021）在《基于Flink的信贷风险评估系统的设计与实现》文中研究指明自2006年普惠金融的概念正式引入中国以来,中国社会各界越来越重视普惠金融的发展。近年来,我国政府也在政策上推进普惠金融战略的发展,逐步落实各项优惠措施,力求建立起为社会上所有阶层和群体提供方便、平等的金融服务体系。尽管我国普惠金融战略的推进非常迅速,但受到金融资本固有的趋利特性的影响,普惠金融在发展过程中仍然暴露出了一些问题。对于普惠金融重点关注对象,相关信用体系大部分缺失,并且建设较为困难;同时在过去几十年中,我国商业银行的主体客户为大中型企业,面向小微企业、农民、城镇低收入人群等普惠金融服务对象的业务起步较晚、发展较慢,导致以往的信贷风险评估规则不适用于当前形式下的信贷业务。在上述背景下,本文结合了国内外相关研究现状,分析了经典集成学习模型在普惠金融背景下的信贷风险评估应用场景的缺陷和不足,然后本文将信息熵理论和代价矩阵引入Stacking集成模型,提出了适用于普惠金融信贷风险评估场景的EC-Stacking模型以及信贷风险评估过程中代价矩阵的计算方法。随后本文采用LendingClub公司2016和2017两个年度共约90万条的信贷数据作为样本,计算和对比与其他模型在相关性能指标上的差异,结果表明EC-Stacking模型通过在可接受的范围内少量牺牲对正常样本的判别性能,即可大幅度提高对违约样本的判别性能,能够有效降低信贷业务中因违约造成的损失,验证了 EC-Stacking模型在面向信贷风险评估场景的有效性。而后本文针对普惠金融的“体量大”、“延迟低”的需求特点,基于Flink实时计算引擎和EC-Stacking模型设计并建立了能够实时评估信贷违约风险的大数据服务架构,并以此按照软件工程的流程设计实现了一个信贷风险评估系统。本文对系统的功能需求和非功能需求进行了详细分析,然后对系统整体架构进行了设计并划分出了数据管理、模型管理、风险评估和用户管理四个模块,并对每个模块进行了详细设计和实现,最后从功能和性能两个方面对信贷风险评估系统进行了测试,确认系统功能完整,并且有着良好的性能和较好的操作性,满足普惠金融背景下信贷风险评估系统的应用需求。
都珂珂,黄全生,张玥[9]（2021）在《我国个人信用评估模型综述》文中进行了进一步梳理梳理我国2001—2019年间的个人信用风险评估模型应用研究的相关文献,提出了个人信用风险评估模型应用方法的发展程度与时间具有正相关性。根据计算机信息科学技术的成熟性,分别从计算机信息技术发展的五个维度:经济统计评估方法、统计学与运筹学评估方法、数据挖掘评估方法、深度学习评估方法、组合信用评估模型方法的特点进行了对比,综述了个人信用评估领域方法的优劣性。分析发现,目前基于组合模型的个人信用风险评估的方法是优化个人信用评估模型的最优方式。
余志鹏[10]（2020）在《基于支持向量机的个人贷款信用风险评估方法研究》文中研究说明随着我国经济的中高速增长,信用贷款市场规模不断扩大。但是,由于我国的个人信征体系不完善,银行等放贷方尚不能全面了解借款人的信用信息,并且个人贷款不能用企业贷款的方法来进行风险管理。因此,基于个人信用的统计数据,研究个人贷款信用风险的评估方法具有重要的应用价值。因为借款人的信用风险评估问题可转化为借款人是否违约的二分类问题,所以结合经典的统计学习分类方法——支持向量机,构建了基于异类类内超平面的模糊支持向量机（fuzzy support vector machine based on the heterogeneous class hyperplane,DHFSVM）,运用于个人贷款信用风险评估。实验结果表明该方法可以较好地解决个人贷款信用风险评估问题。主要内容如下:（1）首先,通过分析个人贷款信用风险评估的影响因素,以及指标体系构建原则,确立了个人指标、经济指标与信用指标3个一级指标,并选择了年龄、信贷数量、负债率以及月收入等10个二级指标构建了个人贷款信用风险评估指标体系。其次,运用信息价值（information value,IV）模型计算信贷数据特征的IV值,对各特征的重要性进行分析。结果表明:可用额度比值、逾期30-59天次数、逾期90天及以上次数以及逾期60-89天次数的IV值均大于0.3,这说明它们对借款人的信用风险评估影响较大。（2）首先,结合模糊数学理论,设计了一种基于异类类内超平面的隶属函数,该隶属函数可以赋予不同样本不同权重。其次,结合传统支持向量机和基于异类类内超平面的隶属函数,构建了基于异类类内超平面的模糊支持向量机。最后,结合Kaggle数据集和个人贷款信用风险评估问题,通过第一类和第二类分类错误率以及其它评估指标,进行对比实验。结果表明:基于异类类内超平面的模糊支持向量机可以有效的提高借款人的信用风险评估精度,这表明了该方法的有效性和可行性。本文给出了一种改进的统计学习方法,不仅丰富了支持向量机的理论与应用研究,也可个人贷款信用风险评估问题提供了借鉴。
二、模糊评价模型在个人信用评估中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、模糊评价模型在个人信用评估中的应用（论文提纲范文）
（2）基于特征选择和集成算法的个人信用评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 论文结构和主要内容 |
| 1.5 主要创新点 |
| 第二章 个人信用评估相关理论概述 |
| 2.1 个人信用评估理论 |
| 2.2 特征选择理论 |
| 2.3 基分类算法 |
| 2.3.1 逻辑斯谛回归 |
| 2.3.2 k近邻 |
| 2.3.3 朴素贝叶斯 |
| 2.3.4 支持向量机 |
| 2.3.5 决策树 |
| 2.4 集成算法 |
| 2.4.1 随机森林 |
| 2.4.2 极端随机树 |
| 2.4.3 XGBoost |
| 2.4.4 LightGBM |
| 2.4.5 Catboost |
| 2.4.6 Stacking集成 |
| 2.5 超参数优化 |
| 2.6 评估指标 |
| 第三章 个人信用数据的研究与分析 |
| 3.1 数据集描述 |
| 3.2 数据集预处理 |
| 3.3 特征工程 |
| 3.3.1 特征编码 |
| 3.3.2 连续型特征离散化 |
| 3.3.3 特征选择 |
| 3.4 实证分析 |
| 第四章 Stacking集成个人信用评估模型构建 |
| 4.1 改进的Stacking集成 |
| 4.2 多种算法对比分析 |
| 4.3 构造Stacking集成信用评估模型 |
| 4.4 实证分析 |
| 第五章 Self-paced集成个人信用评估模型构建 |
| 5.1 不平衡数据集的处理方法 |
| 5.2 Self-paced集成 |
| 5.3 Hyperband超参数优化 |
| 5.4 实证分析 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（3）结合深信度网络与随机森林的个人信用评估模型（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 实验准备 |
| 2.1 实验配置 |
| 2.2 数据库的选择 |
| 2.3 数据预处理 |
| 第3章 基于随机森林的信用等级评估 |
| 3.1 决策树 |
| 3.2 集成方法 |
| 3.3 随机森林 |
| 3.4 德国信用数据上的实验结果与分析 |
| 3.4.1 随机森林参数设置 |
| 3.4.2 重要特征的提取 |
| 3.4.3 异常值的处理 |
| 3.4.4 在德国信用数据集上的实验结果与分析 |
| 3.5 中国X商业银行数据上的实验结果与分析 |
| 3.5.1 参数的设置 |
| 3.5.2 重要特征的提取 |
| 3.5.3 异常值的处理 |
| 3.5.4 在中国X商业银行数据集上的实验结果与分析 |
| 3.6 本章小结 |
| 第4章 基于深信度网络的信用评价体系建立 |
| 4.1 能量函数 |
| 4.2 受限玻尔兹曼机 |
| 4.2.1 受限玻尔兹曼机的网络结构 |
| 4.2.2 受限玻尔兹曼机的概率分布 |
| 4.2.3 受限玻尔兹曼机的训练 |
| 4.3 深信度网络 |
| 4.3.1 深信度网络的结构 |
| 4.3.2 深信度网络的训练 |
| 4.4 基于深信度网络的信用评价体系建立 |
| 4.4.1 基于德国信用数据的评价体系建立 |
| 4.4.2 基于中国X商业银行信用数据的评价体系建立 |
| 4.5 本章小结 |
| 第5章 结合深信度网络与随机森林的个人信用评估模型 |
| 5.1 实验参数的设置 |
| 5.2 德国信用数据集上的实验及结果分析 |
| 5.3 中国X商业银行数据集上的实验及结果分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 硕士期间发表的论文 |
| 致谢 |
（4）基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估（论文提纲范文）
| 摘要 |
| ABSTRAC T |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外文献综述 |
| 1.2.1 国外文献综述 |
| 1.2.2 国内文献综述 |
| 1.2.3 相关研究评述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究创新与不足 |
| 1.4.1 研究创新 |
| 1.4.2 研究不足 |
| 第2章 网络小贷个人信用风险理论分析 |
| 2.1 含义界定 |
| 2.1.1 网络小贷 |
| 2.1.2 网络小贷个人信用风险 |
| 2.2 个人信用风险成因 |
| 2.3 影响因素及机理分析 |
| 2.3.1 影响因素 |
| 2.3.2 作用机理 |
| 第3章 相关算法介绍 |
| 3.1 特征选择算法-Extra Trees算法 |
| 3.1.1 决策树算法 |
| 3.1.2 随机森林 |
| 3.1.3 Extra Trees算法 |
| 3.2 不平衡数据集处理算法-SMOTEENN算法 |
| 3.2.1 SMOTE算法 |
| 3.2.2 K近邻算法 |
| 3.2.3 SMOTEENN算法 |
| 3.3 信用风险评估算法—深度神经网络(DNN)算法 |
| 3.3.1 BP神经网络基本概念 |
| 3.3.2 激活函数 |
| 3.3.3 深度神经网络的原理 |
| 3.3.4 深度神经网络的优缺点 |
| 3.4 模型性能评估指标 |
| 3.4.1 混淆矩阵 |
| 3.4.2 召回率、精确度和F1-score |
| 3.4.3 ROC曲线和AUC值 |
| 第4章 网络小贷个人信用风险评估指标体系建立 |
| 4.1 评估指标选取原则 |
| 4.2 相关评估指标体系 |
| 4.2.1 中国建设银行个人信用风险评估体系 |
| 4.2.2 Zest Finance个人信用风险评估体系 |
| 4.2.3 蚂蚁花呗个人信用风险评估体系 |
| 4.3 评估指标预选 |
| 4.4 评估指标可行性研究 |
| 第5章 数据获取和预处理 |
| 5.1 数据来源和基本信息 |
| 5.2 定性评估指标的量化处理 |
| 5.3 样本可视化描述 |
| 5.3.1 性别分布分析 |
| 5.3.2 年龄分析 |
| 5.3.3 客户评级分析 |
| 5.3.4 借款期限分析 |
| 5.4 数据预处理 |
| 5.4.1 数据集分割 |
| 5.4.2 数据集清洗 |
| 5.4.3 特征归一化处理 |
| 5.4.4 特征选择 |
| 5.4.5 不平衡数据处理 |
| 第6章 网络小贷个人信用风险评估模型的建立和分析 |
| 6.1 研究环境配置 |
| 6.2 深度神经网络基本结构的确定 |
| 6.3 模型构建训练和性能评估 |
| 6.4 模型比较 |
| 第7章 研究结论与建议 |
| 7.1 研究结论 |
| 7.2 研究建议 |
| 参考文献 |
| 致谢 |
（5）基于柔性神经树模型的个人信用评估方法研究及应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 专家评分方法 |
| 1.2.2 统计学方法 |
| 1.2.3 人工智能方法 |
| 1.2.4 组合方法 |
| 1.3 个人信用风险评估方法 |
| 1.3.1 支持向量机方法 |
| 1.3.2 决策树方法 |
| 1.3.3 逻辑回归方法 |
| 1.3.4 神经网络 |
| 1.4 完成工作及贡献 |
| 1.5 本文组织结构 |
| 第二章 柔性神经树模型 |
| 2.1 引言 |
| 2.2 柔性神经树 |
| 2.2.1 柔性神经树结构 |
| 2.2.2 树结构设计与优化 |
| 2.2.3 柔性神经树结构中参数优化 |
| 2.3 本章小结 |
| 第三章 融合BP的柔性神经树在个人信用评估中的应用 |
| 3.1 引言 |
| 3.2 误差反向传播算法 |
| 3.3 融合BP的柔性神经树模型 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 德国信用数据集上的实验结果 |
| 3.4.3 中国台湾客户信用卡还款数据集上的实验结果 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于伪逆学习的柔性神经树在个人信用评估中的应用 |
| 4.1 引言 |
| 4.2 伪逆学习算法 |
| 4.3 基于伪逆学习的柔性神经树模型 |
| 4.4 实验过程及结果分析 |
| 4.4.1 实验数据 |
| 4.4.2 德国信用数据集上的实验结果 |
| 4.4.3 中国台湾客户信用卡还款数据集上的实验结果 |
| 4.4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 基于融合BP的柔性神经树模型的信用评估软件 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.3 功能模块设计 |
| 5.3.1 用户子系统设计 |
| 5.3.2 工作人员子系统设计 |
| 5.3.3 信用评估模块设计 |
| 5.4 软件框架设计 |
| 5.5 数据库设计 |
| 5.6 软件运行 |
| 5.6.1 用户登录界面 |
| 5.6.2 申请者子系统界面 |
| 5.6.3 信用评估部门管理界面 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（6）基于XGBoost特征筛选的CNN模型在客户信用评估中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与目的 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究方法与研究框架 |
| 1.4.1 研究方法 |
| 1.4.2 研究框架 |
| 1.5 创新与不足 |
| 1.5.1 创新之处 |
| 1.5.2 不足之处 |
| 第2章 相关理论综述 |
| 2.1 特征筛选方法介绍 |
| 2.1.1 基于XGBoost算法的特征筛选 |
| 2.1.2 其他特征筛选方法介绍 |
| 2.2 模型介绍 |
| 2.2.1 卷积神经网络模型介绍 |
| 2.2.2 其他分类模型介绍 |
| 2.3 模型评价指标介绍 |
| 第3章 信用评估模型实证分析 |
| 3.1 数据来源简介 |
| 3.2 数据预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 数据编码 |
| 3.2.3 相关性分析 |
| 3.3 特征筛选分析 |
| 3.3.1 XGBoost算法特征筛选结果及分析 |
| 3.3.2 其他两种方法的特征筛选结果 |
| 3.4 不同特征筛选方式下CNN模型构建 |
| 3.4.1 基于XGBoost特征筛选的CNN模型构建及分析 |
| 3.4.2 基于其他特征筛选方式的CNN模型对比分析 |
| 3.5 CNN模型分类性能比较 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 建议与展望 |
| 参考文献 |
| 致谢 |
（7）工程造价专业人员职业信用评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.1.3 研究对象 |
| 1.2 文献综述 |
| 1.2.1 建筑市场信用研究 |
| 1.2.2 建筑从业人员信用评价指标研究 |
| 1.2.3 信用评价方法研究 |
| 1.2.4 综合评述 |
| 1.3 研究目的、内容、方法及技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.3.4 技术路线 |
| 2 相关理论及职业信用分析 |
| 2.1 信用评价体系概述 |
| 2.1.1 信用体系的发展 |
| 2.1.2 信用评价原理 |
| 2.1.3 信用评价体系应用的保障措施 |
| 2.2 信用相关理论 |
| 2.2.1 信息不对称理论与信用 |
| 2.2.2 信用相关理论对本文研究的指导作用 |
| 2.3 信用分析 |
| 2.3.1 工程造价咨询行业存在的问题 |
| 2.3.2 工程造价专业人员全过程主要职责及失信行为分析 |
| 2.3.4 工程造价专业人员影响因素与失信原因分析 |
| 2.4 本章小结 |
| 3 工程造价专业人员职业信用评价指标体系 |
| 3.1 职业信用评价指标的选取原则及方法 |
| 3.1.1 指标的选取原则 |
| 3.1.2 指标的选取方法 |
| 3.2 一级注册造价工程师职业信用评价指标体系的建立 |
| 3.2.1 信用评价指标的初始识别 |
| 3.2.2 信用评价指标的优化调整 |
| 3.2.3 信用评价指标体系的建立 |
| 3.3 二级注册造价工程师职业信用评价指标体系的建立 |
| 3.4 职业信用评价指标体系的评分标准 |
| 3.5 本章小结 |
| 4 工程造价专业人员职业信用评价模型 |
| 4.1 职业信用评价模型结构图 |
| 4.2 评价指标权重的确定 |
| 4.2.1 赋权方法的确定 |
| 4.2.2 层次分析法确定权重 |
| 4.2.3 熵权法确定权重 |
| 4.2.4 组合权重 |
| 4.3 基于模糊综合评价法的职业信用评价模型的构建 |
| 4.3.1 模糊数学中隶属度和隶属函数 |
| 4.3.2 模糊综合评价模型的构建过程 |
| 4.4 本章小结 |
| 5 工程造价专业人员职业信用评价模型的实例分析 |
| 5.1 实例背景 |
| 5.2 实例计算 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 工程造价专业人员职业信用评价指标重要程度调查表 |
| 附录B 工程造价专业人员职业信用指标权重调查问卷 |
| 附录C 工程造价专业人员职业信用评价指标体系调查问卷 |
| 致谢 |
（8）基于Flink的信贷风险评估系统的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于统计学方法的信贷评估方法 |
| 1.2.2 基于数据挖掘与机器学习方法的信贷评估方法 |
| 1.2.3 混合信贷评估方法 |
| 1.3 本文研究内容和创新点 |
| 1.4 本文组织结构 |
| 第二章 相关理论基础及关键技术 |
| 2.1 Flink实时计算框架 |
| 2.1.1 Flink简介 |
| 2.1.2 Flink架构模型 |
| 2.1.3 Flink时间和窗口 |
| 2.1.4 Flink容错机制 |
| 2.2 Kafka消息中间件 |
| 2.3 MySQL关系型数据库 |
| 2.4 Redis内存数据库 |
| 2.5 集成学习 |
| 2.5.1 集成学习概述 |
| 2.5.2 Bagging |
| 2.5.3 Boosting |
| 2.5.4 Stacking |
| 2.6 本章小结 |
| 第三章 信贷风险评估模型 |
| 3.1 引言 |
| 3.2 基于信息熵与代价矩阵的EC-Stacking模型 |
| 3.2.1 基于信息熵理论的特征加权方法 |
| 3.2.2 基于信息熵与代价矩阵的EC-Stacking模型 |
| 3.3 基于信贷风险评估场景的代价矩阵的构造方法 |
| 3.3.1 数据集简介 |
| 3.3.2 代价矩阵的构造 |
| 3.4 信贷风险评估模型的评价指标 |
| 3.5 实验与结果分析 |
| 3.5.1 数据预处理 |
| 3.5.2 特征工程 |
| 3.5.3 模型训练 |
| 3.5.4 结果分析 |
| 3.6 本章小结 |
| 第四章 信贷风险评估系统的设计与实现 |
| 4.1 引言 |
| 4.2 系统需求分析 |
| 4.2.1 用户角色分析 |
| 4.2.2 功能需求分析 |
| 4.2.3 性能需求分析 |
| 4.3 系统概要设计 |
| 4.3.1 系统结构设计 |
| 4.3.2 系统模块设计 |
| 4.3.3 数据库设计 |
| 4.4 系统详细设计与实现 |
| 4.4.1 数据管理模块 |
| 4.4.2 模型管理模块 |
| 4.4.3 风险评估模块 |
| 4.4.4 用户管理模块 |
| 4.5 系统测试 |
| 4.5.1 测试环境 |
| 4.5.2 测试用例 |
| 4.5.3 测试结果 |
| 4.6 系统运行效果展示 |
| 4.7 本章小结 |
| 第五章 总结和展望 |
| 参考文献 |
| 致谢 |
（9）我国个人信用评估模型综述（论文提纲范文）
| 一、引言 |
| 二、评估方法发展动态研究 |
| （一）经济统计方法 |
| （二）统计学与运筹学方法 |
| 1. 线性判别分析法 |
| 2. K近邻判别分析法（K-NN) |
| 3. Logistic回归方法 |
| 4. 线性规划法 |
| （三）数据挖掘与机器学习方法 |
| 1. 神经网络评估方法 |
| 2. 贝叶斯网络评估方法 |
| 3. 支持向量机（SVM）评估方法 |
| 4. 决策树评估方法 |
| 5. Apriori评估方法 |
| （四）深度学习方法 |
| 1. 卷积神经网络 |
| 2. 受限玻尔兹曼机 |
| 3. 自编码 |
| （五）组合模型方法 |
| 1. Bagging系类方法 |
| 2. Boosting系类方法 |
| 3. 交叉融合法 |
| 三、结论 |
（10）基于支持向量机的个人贷款信用风险评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义与方法 |
| 1.2.1 研究意义 |
| 1.2.2 研究方法 |
| 1.3 个人信用风险评估方法研究综述 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 内容安排及技术路线图 |
| 1.4.1 内容安排 |
| 1.4.2 技术路线图 |
| 1.5 创新点 |
| 第2章 预备知识 |
| 2.1 个人贷款相关概述 |
| 2.2 个人贷款风险的种类及其信用风险评估影响因素简述 |
| 2.2.1 个人贷款风险的种类 |
| 2.2.2 个人贷款信用风险评估的影响因素 |
| 2.3 评估方法 |
| 2.3.1 决策树 |
| 2.3.2 支持向量机 |
| 2.4 本章总结 |
| 第3章 个人贷款信用风险评估指标体系及数据处理 |
| 3.1 个人贷款信用风险评估指标体系与数据来源 |
| 3.1.1 个人贷款信用评估指标体系 |
| 3.1.2 数据来源 |
| 3.2 数据预处理 |
| 3.2.1 缺失值的识别与处理 |
| 3.2.2 异常值的识别与处理 |
| 3.2.3 数据标准化 |
| 3.3 基于IV模型的数据特征贡献度分析 |
| 3.4 本章小结 |
| 第4章 基于异类类内超平面的模糊支持向量机的个人信用风险评估方法 |
| 4.1 模糊支持向量机 |
| 4.2 基于异类类内超平面的隶属函数 |
| 4.3 基于异类类内超平面的模糊支持向量机 |
| 4.4 评估指标 |
| 4.4.1 两类错误率 |
| 4.4.2 分类准确率 |
| 4.4.3 F_1值 |
| 4.5 实验分析 |
| 4.5.1 基于决策树的实验分析 |
| 4.5.2 基于支持向量机的实验分析 |
| 4.5.3 基于异类类内超平面的模糊支持向量机的实验分析 |
| 4.5.4 结果对比分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 建议 |
| 5.2.1 加强个人信用凭证的管理 |
| 5.2.2 提高借款人的信用观念与信用意识 |
| 5.2.3 降低政府各部门间个人数据的分散性 |
| 5.3 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和科研成果 |
| 致谢 |
| 作者简介 |
四、模糊评价模型在个人信用评估中的应用（论文参考文献）
- [1]基于联邦学习的W信贷公司个人信用风险评估研究[D]. 许文彬. 湖北工业大学, 2021
- [2]基于特征选择和集成算法的个人信用评估研究[D]. 林卫明. 南京信息工程大学, 2021(01)
- [3]结合深信度网络与随机森林的个人信用评估模型[D]. 都珂珂. 安徽工程大学, 2021
- [4]基于ET-SMOTEENN-DNN模型的网络小贷个人信用风险评估[D]. 张儒. 重庆工商大学, 2021(09)
- [5]基于柔性神经树模型的个人信用评估方法研究及应用[D]. 杨坡. 济南大学, 2021
- [6]基于XGBoost特征筛选的CNN模型在客户信用评估中的应用[D]. 苏乐. 曲阜师范大学, 2021(02)
- [7]工程造价专业人员职业信用评价研究[D]. 薛茂婷. 西华大学, 2021(02)
- [8]基于Flink的信贷风险评估系统的设计与实现[D]. 宋宇航. 北京邮电大学, 2021(01)
- [9]我国个人信用评估模型综述[J]. 都珂珂,黄全生,张玥. 经营与管理, 2021(01)
- [10]基于支持向量机的个人贷款信用风险评估方法研究[D]. 余志鹏. 河北工程大学, 2020(05)
标签：个人信用论文; 个人信用信息基础数据库论文; 大数据论文; 信用评分模型论文; 网络模型论文;