《表4 各省有效样本数量：基于机器学习的互联网金融机构信用风险识别》
提示：宽带有限、当前游客访问压缩模式
借款样本数据集提供了借款人所在省份的数据，其中数据处理时已删除缺失值和字段值为“不详”的样本，见表4所列。
| 图表编号 | XD00118786200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.01.10 |
| 作者 | 陈飞、杨波 |
| 绘制单位 | 江汉大学商学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表6 样本公司违约点：基于KMV模型的互联网金融行业信用风险分析》2020.08.12
- 《表4 评估指标对比：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表3 特征指标说明：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表2 数据类型：互联网金融的信用风险评估与预警研究》2020.10.20
- 《表1 4种模型性能比较：基于机器学习的P2P网络借贷违约风险识别模型比较——以“人人贷”为例》2020.06.10
- 《表4 面板数据计量结果：互联网金融对商业银行信用风险的影响研究——基于股份制商业银行面板数据的实证分析》2020.05.15
- 《表3 单位根检验结果：互联网金融对商业银行信用风险的影响研究——基于股份制商业银行面板数据的实证分析》2020.05.15
- 《表8 异质性分析：行业：互联网金融借贷期限、信用风险与定价关系研究——基于借款者投融资期限错配视角》2020.09.06
- 《表7 异质性分析：规模：互联网金融借贷期限、信用风险与定价关系研究——基于借款者投融资期限错配视角》2020.09.06
- 《表1 0 机器学习模型样本内外每一期有效因子数量的4分位数表》2019.12.01
- 《表4 样本检验分类表：供应链金融融资模式信用风险研究——以钢铁行业为例》2019.11.15
- 《表2 借款人的登录信息：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表3 借款人修改信息：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表1 成交借款样本：基于机器学习的互联网金融机构信用风险识别》2020.01.10
- 《表1 前5个样本数据：基于机器学习的垃圾短信识别应用》2020.01.01
- 《表3-3检测样本结果：基于BP神经网络的农产品供应链金融应收账款信用风险评估研究》2019.02.25
- 《表2 用户类型分类表：机器学习算法信用风险预测模型》2019.02.20
- 《表1 相关数据资料表：机器学习算法信用风险预测模型》2019.02.20
- 《表3 各省市有效样本数：中学生学习素养调查报告——基于2017年我国七省市16所初中的大数据分析》2019.01.01
- 《表3 最终输入变量表：互联网金融个人信用风险评估的指标选择方法》2019.11.30