2016年发展互联网金融被列入国家十三五规划纲要,足见互联网金融已受到高度的重视。消费金融在国外成熟的发展历史证明,个人消费金融是人们日常生活中的重要组成部分,不仅有助于提高人民生活水平,还能够促进社会经济的发展。基于互联网的消费金融模式打破了传统银行的壁垒,给我国的金融改革带来新的机遇,但互联网消费金融的风控能力屡遭质疑,如何建立高效的风控模型和拥有科学的风控策略,是在互联网背景下发展消费金融业务急需解决的问题。本文以信用风险为研究对象,在传统信用风控的基础上,提出使用机器学习建模的复合风控模型,重点提高在多分类且数量不平衡的数据集中,对少数类（信用评级较低）客户预测的模型准确率。文中定义了多信用评级分类下证据权重转换值（woe）计算的推广公式,介绍了XGBoost基本算法原理以及Easy Ensemble算法的基本思路,为后文的实证分析提供理论支撑。最后以Lending Club公司2018年Q1季度的开源数据集为研究样本,参照前文的互联网消费金融信用评级模型进行实证分析,对比证据权重转换（woe）结合Easy Ensemble建模思路的logistic多分类模型和XGBoost多分类模型的应用效果。在综合考虑训练时长、验证集召回率、G-mean评价指标以及结果可解释性的基础上,验证了logistic多分类模型结合Easy Ensemble算法在客户信用评级中的优势,并根据实证分析过程中所遇到的数据问题,总结对于我国互联网消费金融发展以及风险控制的可行性建议,本文采用的风控建模策略,其系统性、时效性及风险预测能力也为互联网消费金融类公司设计风控策略提供了新的思路与建议。