信贷业务是银行业务的重要组成部分,对申请贷款者的还款能力进行评估是信贷业务中极为关键的一个环节。经过多年的发展,信用评估已经形成了一套成熟的方法体系。但是随着大数据时代的到来,基于逻辑回归的传统风控体系的弊端不断凸显。机器学习算法,由于引入了非线性因素,具有更强的拟合能力,能够从海量数据中挖掘出有价值的信息,越来越受到风险评估领域的青睐。因此,如何使用机器学习算法改进现有的信用评估模型,提升模型预测能力是目前信用评估领域的研究重点,这也是本文所探索的。本文在个人信用评估模型中引入了聚类算法,避免出现入模特征的类别单一的情况,保证了各个数据域均有高价值的特征进入模型,从而使得模型能够多角度地衡量借贷人的偿还能力。在使用聚类算法对数据集的所有特征按照自身属性进行分类后,依次对各个类别特征选择合适的特征工程以及集成学习算法构建子模型。再将子模型的训练结果作为新的特征输入到总模型当中,最后完成总模型的构建。本文基于公开数据集,首先使用层次聚类法将经过预处理后的特征分为4类。其次对于各类别特征进行特征工程,通过特征工程挑选出各个类别中具有较强预测能力的变量。再针对4个类别的特征分别构建4个子模型。子模型的建立基于三种主流的Boosting集成学习算法:Xgboost、Light GBM、Catboost。子模型建模的主要思路如下:依次使用上述三种算法和以上述三种算法或三种中的任意两种为基模型的加权投票算法进行建模,再在这4个算法中选择过拟合程度较低且测试集AUC表现最优的算法作为最终子模型使用的算法。总模型的建立考虑到入模特征少且特征预测能力强等因素,不仅考虑使用Xgboost、Light GBM、Catboost和加权投票算法,还考虑使用传统的逻辑回归算法。最终选择测试集上AUC表现最优的逻辑回归完成总模型的建立。本文建立的个人信用评估模型测试集AUC为0.8001且不存在严重的过拟合现象,取得了较为理想的效果。最后,将本文所提出的模型与逻辑回归、Xgboost、Light GBM、Catboost和加权投票模型进行了对比,使用AUC值和KS值为模型评价指标,进一步验证了本文所提出的模型的有效性。该模型有助于进一步实现对现有银行客户的潜在违约风险进行精准评估,对于健全和完善银行的风控评估体系有着重要的价值及意义。