金融信用评估并行学习模型支撑技术研究与原型实现

目录

声明

第一章绪论

1.1.1 研究背景

1.1.2 研究意义

1.2.1 信用评分

1.2.2 并行学习

1.3 研究内容

1.4 本论文的结构安排

第二章相关理论、工具与平台

2.1 开发环境、工具与技术标准

2.1.1 机器学习模型生命周期服务管理系统

2.1.2 信用评分模型并行研究

2.2 信用评估

2.3 模型构建

2.3.1 计算并行

2.3.2 数据并行

2.3.3 Parallel Python

2.3.4 类别不平衡问题

2.3.5 网格搜索与交叉验证

2.3.6 模型融合

2.4 模型验证与评估

2.4.1 模型评估交叉验证

2.4.2 ROC曲线与AUC值

2.4.3 KS值

2.4.4 模型稳定度

2.5 本章小结

第三章信用评分模型数据预处理

3.1 数据集介绍

3.2 数据质量检验及数据清洗

3.2.1 无效值处理

3.2.2 缺失值处理

3.2.3 异常值处理

3.2.4 类别型变量处理

3.2.5 数据集中度

3.3 特征构造

3.3.1 变量衍生

3.3.2 特征分箱

3.3.3 编码

3.4 特征选择

3.4.1 单变量分析

3.4.2 多变量分析

3.5 本章小结

第四章信用评分模型并行研究

4.1 信用评分模型并行机制

4.2.1 逻辑回归

4.2.2 GBDT

4.2.3 XGBoost

4.2.4 LightGBM

4.2.5 实验总结

4.3 评分卡构建

4.3.1 评分卡原理

4.3.2 构建评分卡

4.4 本章小结

第五章系统设计与原型实现

5.1 功能需求及概要设计

5.1.1 模板库管理

5.1.2 训练模型管理

5.1.3 模型服务部署

5.1.4 数据模型

5.2 系统架构设计

5.3 系统详细设计

5.3.1 数据结构设计

5.3.2 模板库管理

5.3.3 训练模型管理

5.3.4 模型服务部署

5.3.5 信用评分服务

5.4 平台实现

5.4.1 Zeppelin RESTful API

5.4.2 模板库管理

5.4.3 训练模型管理

5.4.4 模型服务部署

5.4.5 信用评分服务

5.5 本章小结

第六章全文总结与展望

6.1 全文总结

6.2 不足及后续工作展望

致 谢

参考文献

攻读硕士学位期间取得的成果