因信用卡给人们带来便利,越来越多的人使用信用卡。各大银行为了抢占市场,也在最大化地发展客户,导致信用卡用户的质量参差不齐,违约还款的情况也越来越严重,银行利益严重受损,故控制违约情况的发生迫在眉睫。信用卡违约预测,即:提前发现潜在的违约还款用户,可以为违约控制提供重要依据,以便银行及时采取有效措施。随着信息技术的快速发展和银行数据体系的逐渐健全,信用卡消费数据日渐丰富,规模和复杂性也日趋增长。深入挖掘并分析信用卡消费数据,探索消费行为中隐藏的模式不仅可以帮助银行进一步地了解信用卡用户的消费行为,而且还有助于选取对违约预测有用的信息,从而帮助违约预测。因此,针对信用卡违约预测问题,本文对信用卡消费数据进行了深入挖掘和分析,并在此基础上对特征选择展开了研究,提出了两种特征选择方法。本文的主要工作如下:(1)以网络为视角对某银行的信用卡消费数据集进行挖掘和分析,发现了特征之间存在一种有趣的模式,即:特征呈现聚簇现象。该模式不仅揭示了特征之间的复杂关系,还有助于发现信息量大的特征。(2)基于发现的特征模式,提出了基于社区的特征选择方法,然后将其特征选择结果用于训练信用卡违约预测模型。在真实数据上的实验结果表明,所提出的基于社区的特征选择方法在梯度提升决策树模型和K近邻模型中预测效果较好,且在随机森林模型中预测效果较为突出。(3)为了进一步提升违约预测,提出了基于社区并重新加权的特征选择方法。首先,根据特征与标签的相关关系为每个特征进行赋权;其次,结合特征模式和特征权重进行特征选择;最后,将选择出的特征作为输入训练信用卡违约预测模型。在真实数据上的实验结果表明,所提出的基于社区并重新加权的特征选择方法在朴素贝叶斯模型、逻辑斯蒂回归模型和K近邻模型上得到的准确率、查全率、查准率和F1分数均有所提升,同时在其它模型上的部分评估指标结果也有一定的提升。与此同时,基于社区并重新加权的特征选择方法与随机森林的结合可以对信用卡违约情况进行最为准确的预测。