《支持向量机及其个人信用评估》由高尚著，本书首先研究支持向量机理论，讨论了支持向量机在许多领域的应用，并针对个人信用评估问题，探讨了个人信用评估的两大类方法：一类是分类方法；另一类是回归方法。

本书将理论与实际相结合，研究了支持向量机理论，讨论了支持向量机在许多领域的应用，这些应用有分类方面的，也有回归方面的。

《支持向量机及其个人信用评估》由高尚著，是一本将支持向量机理论与个人信用评估相结合的书。本书首先研究支持向量机理论，讨论了支持向量机在许多领域的应用，并针对个人信用评估问题，探讨了个人信用评估的两大类方法：一类是分类方法，即利用C5.O决策树算法、分类与回归树法(CART)、神经网络和支持向量机分类对信用进行分类；另一类是回归方法，即利用支持向量机回归模型来对个人信用进行评估。由于编制支持向量机的程序不是一件容易的事情，因此本书仅介绍3种常见的支持向量机工具箱和SPSS Clementine软件，并给出了源程序，可再现书中所介绍的方法。本书特别适合非计算机专业的人员使用。

《支持向量机及其个人信用评估》可作为计算机类、管理学等专业的高年级本科生、研究生教材或教师的教学参考书，也可供相关领域的科研人员参阅。

第1章 概述

 1.1 支持向量机研究现状

 1.2 个人信用评估的意义及发展

 1.2.1 个人信用评估的意义

 1.2.2 个人信用评估的发展历史

 1.2.3 个人信用评估的现状

 1.3 个人信用评估的主要方法

 1.4 本书内容结构框架

第2章 支持向量机理论

 2.1 支持向量机概述

 2.2 统计学习理论

 2.2.1 统计学习理论的核心内容

 2.2.2 学习过程一致性的条件

 2.2.3 VC维

 2.2.4 推广性的界

 2.2.5 结构风险最小化

 2.3 支持向量机内涵

 2.4 支持向量分类

 2.4.1 线性支持向量机

 2.4.2 非线性支持向量机

 2.4.3 支持向量机的核函数

 2.4.4 训练算法

 2.5 支持向量回归

 2.5.1 线性回归情形

 2.5.2 非线性回归情形

 2.6 支持向量机模型的参数选择

 2.7 支持向量机的变形算法

 2.7.1 C-SVM算法

 2.7.2 V-SVM算法

 2.7.3 One-classSVM算法

 2.7.4 WSVM算法

 2.7.5 最小二乘支持向量机算法

 2.7.6 粒度支持向量机算法

 2.7.7 孪生支持向量机算法

 2.7.8 简约支持向量机算法

 2.7.9 排序支持向量机算法

 2.7.10 基于组合的支持向量机算法

 2.7.11 基于多类问题的支持向量机算法

 2.8 支持向量机方法的特点

 2.9 本章小结

第3章 支持向量机工具箱及应用

 3.1 支持向量机软件介绍

 3.2 LS—SVMlab的使用

 3.2.1 LS—SVMlab工具箱简介

 3.2.2 LS-SVMIab工具箱的使用方法

 3.2.3 实例

 3.3 MATLABSVMToolbox的使用

 3.3.1 MATLABSVMToolbox工具箱简介

 3.3.2 MATLABSVMToolbox工具箱的使用方法

 3.3.3 实例

 3.4 LIBSVM

 3.4.1 LIBSVM简介

 3.4.2 Windows操作系统下LIBSVM可执行文件的使用

 3.1.3 在MATLAB下使用LIBSVM

 3.4.4 实例

第4章 支持向量机的应用

 4.1 不同准则下的线性支持向量机回归

 4.1.1 支持向量机回归模型

 4.1.2 使残差的平方和为最小

 4.1.3 使残差的最大绝对值为最小

 4.1.4 使残差的绝对值之和为最小

 4.1.5 实例计算与分析

 4.1.6 本节小结

 4.2 基于粗糙集和支持向量机的效能评定

 4.2.1 引言

 4.2.2 效能评定的主要方法

 4.2.3 知识约简方法

 4.2.4 基于支持向量机效能模型

 4.2.5 本节小结

 4.3 基于支持向量机的武器系统参数费用模型

 4.3.1 引言

 4.3.2 武器系统参数费用模型

 4.3.3 知识约简方法

 4.3.4 基于支持向量机参数费用模型

 4.3.5 本节小结

 4.4 基于主成分分析和支持向量机的威胁判断模型

 4.4.1 引言

 4.4.2 威胁判断的指标选取

 4.4.3 主成分分析

 4.4.4 基于支持向量机威胁度评估模型

 4.4.5 本节小结

 4.5 基于支持向量机的电价组合预测

 4.5.1 电价预测概况

 4.5.2 组合预测研究现状

 4.5.3 线性组合预测

 4.5.4 支持向量机非线性组合预测模型

 4.5.5 算例分析和讨论

 4.5.6 本节小结

 4.6 基于支持向量机的船型主尺度要素数学模型

 4.6.1 概述

 4.6.2 支持向量机回归模型

 4.6.3 船型主尺度要素的支持向量机回归模型

 4.6.4 与其他方法比较

 4.6.5 本节小结

 4.7 基于粗糙集与模糊支持向量机的模式分类方法

 4.7.1 粗糙集理论预处理方法

 4.7.2 模糊支持向量机

 4.7.3 实验结果及分析

 4.7.4 本节小结

 4.8 本章小结

第5章 个人信用评价指标体系的构建

 5.1 个人信用评估定义

 5.2 个人信用评估模式

 5.3 个人信用评价指标体系构建原则

 5.4 国外个人信用评价体系情况

 5.5 国内个人信用评价体系情况

 5.6 个人信用评价指标建立

 5.7 个人信用数据的来源和预处理

 5.8 德国个人信用数据集

第6章 SPSSClementine语言

 6.1 SPSSClementine语言介绍

 6.2 SPSSClementine语言使用

 6.2.1 操作界面的介绍

 6.2.2 数据流基本操作的介绍

 6.3 SPSSClementine语言示例1：因子分析

 6.4 SPSSClementine语言示例2：神经网络

第7章 基于决策树C5.0算法的个人信用评估

 7.1 决策树方法

 7.2 ID3 算法

 7.3 C4.5 算法

 7.4 C5.O算法及实例

 7.5 基于C5.O算法的个人信用评估

 7.6 误分类损失分析

 7.7 本章小结

第8章 基于分类与回归树的个人信用评估

 8.1 分类与回归树方法

 8.1.1 分类与回归树方法概况

 8.1.2 生成最大树

 8.1.3 树的修剪

 8.1.4 子树评估

 8.2 基于CART的个人信用评估

 8.3 误分类损失分析

 8.4 本章小结

第9章 基于神经网络的个人信用评估

 9.1 神经网络概况

 9.2 神经网络模型

 9.2.1 生物神经网络的启示

 9.2.2 人工神经元模型

 9.2.3 人工神经网络模型

 9.3 神经网络的特征

 9.3.1 神经网络的工作过程

 9.3.2 神经网络的学习规则

 9.3.3 神经网络的特点及应用领域

 9.4 多层感知器和BP算法

 9.4.1 多层感知器网络结构

 9.4.2 BP算法传播过程

 9.4.3 算法学习规则

 9.4.4 算法步骤

 9.4.5 BP算法优缺点

 9.5 基于神经网络的个人信用评估方法

 9.6 专家设置

 9.7 本章小结

第10章 基于支持向量机分类的个人信用评估

 10.1 支持向量机分类

 10.2 基于支持向量机分类的个人信用评估方法

 10.2.1 字符和数字化混合数据集

 10.2.2 数字化数据集

 10.3 本章小结

第11章 基于K均值与支持向量机的个人信用评估

 11.1 K均值算法

 11.1.1 K均值数学模型

 11.1.2 K-均值算法及例子

 11.1.3 K-means聚类算法的MATLAB实现

 11.2 测试数据说明

 11.3 简单聚类方法

 11.4 基于支持向量机的分类方法

 11.5 与K-means结合的支持向量机个人信用评估方法

 11.6 本章小结

第12章 总结

附录A 简单聚类个人信用评估方法程序

附录B 基于支持向量机的分类方法

附录C 与K-means结合的支持向量机方法

参考文献