声明
第 1 章 绪 论
1.1 研究背景
1.2 研究意义
1.3 文献综述
1.3.1 P2P相关问题研究
1.3.2 国内外相关研究
1.4 研究的主要内容
1.5 创新点与不足之处
1.5.1 创新点
1.5.2 不足之处
第 2 章 特征工程与机器学习理论
2.1 特征筛选
2.1.1 WOE 变量与 IV值
2.1.2 基于决策树信息增益最大化分箱
2.2 逻辑回归
2.3 LightGBM算法
2.3.1 Xgboost模型
2.3.2 Histgram算法
2.3.3 按叶子生长(leaf-wise)策略
2.4 Catboost算法
2.4.1 分类特征处理
2.5 Stacking 融合模型
2.6 模型评估
第 3 章 描述性统计分析
3.1 数据选择
3.2 目标变量分析
3.3 借款人等级分析
3.4 借款期限分析
第 4 章 数据预处理与特征工程
4.1 数据预处理与特征工程
4.1.1 目标变量的处理
4.1.2 数据清洗
4.1.3 缺失值填补
4.1.4 特征工程
4.1.5 计算 IV值-基于信息最大化实现变量最优分箱
4.2 本章小结
第 5 章 实证分析
5.1 模型对比实验
5.1.1 基于 Catboost 模型的二分类算法
5.1.2 基于 LightGBM 模型的二分类算法
5.1.3 基于 Stacking 融合的二分类算法
5.1.4 不同模型之间的对比
5.2 模型的泛化性研究
5.2.1 LightGBM 算法泛化性表现
5.2.2 基于 LightGBM 算法滚动预测研究
5.3 本章小结
结 论
附 录
参考文献
致 谢
西南财经大学;