伴随着经济的飞速发展,以及互联网金融技术的进步,国内的小额信贷业务给小额贷款公司提供了良好的生长环境。从2006年到2015年期间,小额贷款公司进入快车道发展模式,近两年各项指标增长速度放缓,逐步趋于理性化发展的态势。在小额贷款风险控制工作中,重心在于度量小额贷款客户违约风险。当前,广泛应用于个人信用风险评级的机器学习方法有:逻辑回归、判别分析、决策树、神经网络。本文将采用主流的风险评估方法逻辑回归来建立风险模型,量化小额贷款客户的违约风险,达到风险控制的目的。考虑到逻辑回归模型在学习过程中,由于样本间违约客户与正常客户之间的信息量存在差异。为克服小类样本与大类样本之间的信息差异,提高逻辑回归模型的TNR值,本文应用SMOTE算法,人工合成违约客户数据,使得训练集中违约客户与正常客户的信息量保持一致。将数据离散化的方法用于逻辑回归模型中,逻辑回归模型属于广义线性模型,表达能力受限,采用基于熵的数据离散化方法可以明显提高模型的稳定性、可解释性。在本文中,未经过数据离散化、Smote算法的逻辑回归信用评级模型的预测精度为81%,TNR为57.77%,AUC为0.8283;通过数据离散化技术、SMOTE用于逻辑回归模型,得到模型的预测精度提高到85%,TNR为83.33%,AUC为0.89,模型的预测和拟合优度得到显著提升。