随着互联网技术对金融领域的持续渗透,其与金融的结合也越发紧密,促使金融服务在模式、效率和客群等多方面发生变革,互联网金融已然成为金融行业不可或缺的一部分,与传统金融一样,互联网金融发展的核心是风险控制。本文深入研究了互联网金融平台的特点,在此基础上结合XGboost算法和逻辑回归评估互联网金融平台个人信用风险,然后运用混淆矩阵、ROC曲线和AUC值检验该评估方法的准确性、稳定性、适用性和复用性。首先,本文分析了互联网金融平台的特点及其对个人信用风险评估方法的要求,在已有模型的基础上,针对性提升模型的适用性和复用性,搭建了互联网金融平台个人信用风险评估方法框架,设计了评估方法的抽样和检验方案。其次,根据样本集变量的属性对其展开数据清洗并抽取特征,基于IV(Information Value)值和Pearson相关系数实现特征选取,最终挑选出“公司规模”和“年龄”等12个特征。再次,基于对XGboost算法和逻辑回归模型内在机理、适用问题特点的分析,利用XGboost算法衡量原始特征的贡献度并对其进行重构,以重构特征为桥梁将XGboost算法和逻辑回归模型衔接起来构建XGb＿L个人信用风险评估模型,在其中引入用户可调损失矩阵,针对互联网金融平台需求种类多的特点提升模型的复用性。最后,实证分析结果显示,在不同损失矩阵情况下XGb＿L模型的准确性和稳定性方面表现良好,跨样本检验的AUC值均在0.93左右,跨时间检验的AUC值均在0.98左右;同时,XGb＿L模型可根据损失矩阵不同输出对应的混淆矩阵以满足平台需求,模型复用性良好;另外,在原始特征贡献度和重构特征的加持下,模型的解释性虽不如传统信用评估模型,但相较于基于机器学习算法构建的信用风险评估方法已有显著提升,基于此总结了XGb＿L模型的特点,并对其应用场景进行展望。