随着社会经济的发展,个人信用在经济社会占据越来越重要的地位。我国信用评级起步较晚,且使用的范围较窄,与国外信用评级发展相比之下也有很大的差距。相比传统信用贷款,我国的P2P网络信用借贷近年来快速发展,满足了更多人的贷款需求。P2P网络信用贷款平台展现了我国未来金融机构的发展方向,但在信用借贷风险评估体系与监管方面有着重大的挑战。本文主要研究当下极具代表性的P2P网络信用借贷平台Lending Club,Lending Club作为全球首个上市的P2P网络信贷平台,它运转高效且有着完善的信用评分体系,经过十多年发展已成为全球最大的P2P网络信贷平台。本文收集了 Lending Club用户从2007年到2015年的信用贷款数据集,首先通过用户在约定时间内完全偿还贷款和无法偿还而成为坏账这两种典型的信用贷款状态来分析用户贷款时候提供的个人属性、个人属性与贷款状态的关系以及个人属性之间的相关性。然后通过数据集属性的缺失、用户属性的定性定量之间转换、相关属性筛选等对用户的数据集进行清洗,并划分数据集和对其进行标准化。最后使用朴素贝叶斯分类器、逻辑斯蒂回归、线性支持向量机、fisher线性分类器、BP神经网络、CART分类树以及XGBoost模型对划分的数据集进行训练和预测,分析用户贷款状态是好账还是坏账,为是否发放贷款提供评估结果作为参考。本文通过了准确率、精确率、召回率、AUC等多个角度,对比几种机器学习模型在Lending Club用户的数据集上的表现。最后基于Lending Club认定的用户等级划分了更易分类的用户数据集,再使用机器学习模型进行评估,提升模型的预测效果,并与之前的数据集进行对比讨论结果。为我国构建与完善个人信用借贷风险评估提供参考方法,为我国经济发展提供助力。本研究也存在不足之处,没有采用其他贷款状态的Lending Club用户数据分析,还有对于缺失值的处理、属性相关性处理等都会对预测用户的贷款状态结果产生影响。另外Lending Club中也存在“好账”和“坏账”用户的各属性值相似,导致分类模型对部分数据难以做出正确区分,对预测的准确率等造成影响,希望在以后的研究中能够克服这些困难。