[1] 施青华,刘兰娟. 互联网金融模式研究进展[J]. 上海金融, 2015(8):71-75.
[2] 〖JP3〗屈植. 互联网金融风险管理研究[J]. 纳税, 2018(5):122.
[3] 胡炜. 我国互联网金融发展的现状与问题[J]. 赤峰学院学报(自然科学版), 2016,32(21):84-86.
[4] 〖JP3〗刘红生,李帮义,代秀梅. 中小企业短期贷款违约风险预测模型实证研究[J]. 统计与决策, 2014(4):176-178.
[5] 范彦勤. 基于贝叶斯分类器的个人信用评估研究[D]. 西安:西安电子科技大学, 2014.
[6] 李进. 基于随机森林算法的绿色信贷信用风险评估研究[J]. 金融理论与实践, 2015(11):14-18.
[7] 周志华. 机器学习[M]. 北京:清华大学出版社, 2016.
[8] 胡红祥. 基于FGBDT算法的贷款概率预测系统[D]. 北京:中国科学院大学, 2017.
[9] 吴金旺,顾洲一. 基于非平衡样本的商业银行客户信用风险评估——以A银行为例[J]. 金融理论与实践, 2018(7):55-61.
[10]陈莹,宋建华. 中国城市居民信用卡违约行为的影响因素[J]. 金融论坛, 2017(9):27-38.
[11]江志良,侯远,吴敏. 基于特征关系的加权投票聚类集成研究[J]. 计算机工程与应用, 2018(3):150-159.
[12]许召召,李京华,陈同林,等. 融合SMOTE与Filter-Wrapper的朴素贝叶斯决策树算法及其应用[J]. 计算机科学, 2018,45(9):72-76.
[13]李卓然,张永. 基于集成的非均衡数据分类主动学习算法[J]. 计算机应用与软件, 2012,29(6):81-83.
[14]刘胥影,吴建鑫,周志华. 一种基于级联模型的类别不平衡数据分类方法[J]. 南京大学学报(自然科学版), 2006,42(2):149-155.
[15]闫欣. 综合过采样和欠采样的不平衡数据集的学习研究[D]. 吉林:东北电力大学, 2016.
[16]陈云,韦天焕. 欠采样与过采样技术研究[J]. 信息通信, 2015(4):18-19.
[17]CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002,16(1):321-357.
[18]CHEN T Q, GUESTRIN C. XGBoost: A scalable tree boosting system[C]// ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2016:785-794.
[19]游德创,莫赞. 基于模糊XGBoost算法的银行信用评价研究[J]. 信息通信, 2018(2):37-38.
[20]杨立洪,白肇强. 基于二次组合的特征工程与XGBoost模型的用户行为预测[J]. 科学技术与工程, 2018,18(14):191-194.
[21]谭梦甜. 基于多源数据的贷后风险指标学习与预测[D]. 济南:山东大学, 2016.
[22]邓晶,秦涛,黄珊. 基于Logistic模型的我国上市公上市公司信用风险预警研究[J]. 金融理论与实践, 2013(2):22-26.
[23]徐婷婷. 随机森林在P2P网贷借款信用风险评估中的应用[D]. 济南:山东大学, 2017.
[24]王日升. 基于Spark的一种改进的随机森林算法研究[D]. 太原:太原理工大学, 2017. |