受美国次级贷危机的警醒，住房按揭贷款的风险管控已经引起全球金融服务机构的重视和反思。影响个人住房按揭贷款风险的因素种类很多，有借款人因素、抵押物因素、市场因素、国家政策因素等等。个人信用评分将帮助风险管理人员识别和降低风险。 个人信用评分是银行或其他金融机构利用所获得的关于信用申请人的信息，进行风险预测的一种方法和技术。它是把数学和统计学用于个人信贷发放决策，对个人履行各种承诺的能力和信誉程度进行全面评价，确定信用等级和信贷限额的一种方法。 本文研究的个人信用评分问题来源于与广州亿达公司有密切合作的几家商业银行的住房贷款业务，目的是开发信用评分模型并验证评分模型。训练及测试的数据均来自于近期中国内地的房地产交易数据，具有很好的真实性和时效性。 本文介绍了个人住房贷款的风险点以及个人信用评分的国内外研究现状，并且结合中国现在的房贷市场状况，将逻辑回归、决策树、BP神经网络和RBF神经网络四种数据挖掘模型运用于个人住房贷款的信用评分建模，给出了各种模型的参数选择和参数估计以及结果检验的详细结论。 本文对各种模型的有效性进行了对比分析，除了比较总的正确分类率外，还将各模型的第一类错误率及第二类错误率进行比较，这在一定程度上弥补了以总的正确分类率为唯一比较标准所造成的缺陷。比较结果表明，BP神经网络和RBF神经网络具有良好的预测精度，其第一类错误率和第二类错误率都控制在比较满意的水平，但其业务可解析性较差。逻辑回归模型虽然不是精度最高的模型，但是它有很好的业务可解释性。对于决策树模型，只要提供足够的数据，也有可能得出有效的且具有可解释性的模型。