《表2 指标变量体系：基于卷积神经网络的客户信用评估模型研究》
提示：宽带有限、当前游客访问压缩模式
（注：原始数据出于对贷款人个人信息的保护，未能获取借款人的个人基本情况数据，如性别、年龄等。）
经过筛选后，共得到26个建模指标变量，变量及其含义如表2所示。
| 图表编号 | XD00174903000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.06.25 |
| 作者 | 刘伟江、魏海、运天鹤 |
| 绘制单位 | 吉林大学数量经济研究中心、吉林大学商学院、吉林大学商学院、吉林大学商学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 模型对比：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 主要变量定义：基于CIPP模型重大疫情中高校网络育人效果评价体系研究》2020.12.31
- 《表1 模型对比：一种基于深度卷积神经网络的道路损伤检测研究》2021.02.01
- 《表1 模型性能对比：基于卷积神经网络的手势识别算法研究》2021.01.20
- 《表2 识别精度：基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究》2021.01.25
- 《表1 网络模型具体参数：基于卷积神经网络的学术合作者推荐研究》2020.07.01
- 《表1 各模型指标对比：基于深度置信神经网络的电信客户流失分析》2020.06.25
- 《表1 实验结果：金融系统风险预警方法研究——基于CNN的卷积神经网络模型》2020.04.15
- 《表1 模型性能比较：基于卷积神经网络的电网变压器铭牌识别技术研究》2020.07.25
- 《表4 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表2 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 模型的性能评估：基于卷积神经网络特征提取的轻量级包装袋分类模型》2020.08.25
- 《表1 性能指标对比：基于卷积神经网络的环视车位检测研究》2020.02.25
- 《表2 评估指标体系：基于神经网络的实物保护系统综合效能评估研究》2020.02.15
- 《表2 不同模型比较：基于深度卷积神经网络的铁路接触网鸟窝检测方法研究》2019.07.10
- 《表1 模型评估结果：基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法》2019.02.25
- 《表2 各指标变量的权重：基于改进RFM模型的百度外卖客户价值分析》2019.01.10
- 《表A1模型的训练过程：基于卷积神经网络的电力系统小干扰稳定评估》2019.01.25