伴随着社会消费水平的提升,消费市场的繁荣促进了金融信贷行业的快速发展,以往由银行主导的信用卡业务不再是个体用户参与信贷活动的唯一选择,近几年由非金融银行机构推出的消费金融信贷方式受到了个人群体的亲睐。消费金融信贷是一种为用户提供以生活消费为用途的低额度借款产品,持有银保监会发放的消费金融牌照的消费金融公司可以向用户提供该类信贷产品。该类产品可由用户在线上申请授权,其具有单笔交易金额低、审核流程简便、下款速度快等优势。其交易流程的便利性和快捷性带来的巨大市场固然可以为信贷行业带来丰厚收益,但审批流程的缩减同样带来了用户信用风险审核准确率低的问题,极易遭遇金融信贷欺诈问题。因此近年来消费金融机构越来越重视对用户信用风险的评估。本文在分析了传统机器学习算法在信用评估模型表现的基础上,提出了一种融合型的梯度提升森林（Gradient Boosting Forest）算法。该算法将Bagging集成学习和梯度提升的思想融入到了信用风险评估模型的搭建中,并用其和传统机器学习算法分别进行了信用风险评估模型的搭建。通过比较模型的预测结果证实了其具有同随机森林和XGBoost相当的模型预测能力,并且验证了梯度提升森林模型在降低偏差和方差方面具有良好的稳定性。文中首先概述了信用评分体系在国内外的发展现状和信用评估系统搭建涉及的理论知识。进而结合某金融机构的交易样本进行了信用评分卡模型的搭建,首先通过探索性分析、特征清洗、特征选择等流程筛选出12个变量作为入模特征;接着选取了逻辑回归、随机森林、XGBoost和梯度提升森林四种算法进行信用风险评估模型的创建,模型的预测结果表明梯度提升森林和两外两种集成学习模型在样本集上预测结果都达到了较好的预测效果。同时分别从方差和偏差两个角度讨论了梯度提升森林、随机森林和XGBoost在测试集的预测效果,通过结果比较进一步论证了梯度提升森林算法在降低偏差和方差方面的稳定性。最后使用逻辑回归和梯度提升森林模型在测试集的预测结果进行了信用评分卡的生成,通过讨论两种信用评分卡结果的差异,结果显示梯度提升森林算法的预测精度和区分度都要优于传统的逻辑回归模型,进一步论述了该算法的有效性。此次在消费金融信用评估领域的探索,为金融行业在金融风控方向的发展提供了新的思路。