随着互联网金融的日益繁荣和人民群众消费水平的不断提升,人民群众的消费理念也在随之转变,个人消费信贷已成为人民群众日常消费的重要组成部分。我国个人消费信贷能力的增长使得信息衍生产业发展逐渐壮大,以及个人信贷业务不健全的理论体系和相关政策法规,导致银行等企业在个人消费信贷业务中存在着不良贷款的问题,也因此面临着信用风险的考验。构建有效的信用评分模型在各大金融行业已然成为亟待解决的问题。信用评分模型作为有效的风险评估技术,给金融行业审批个人信贷业务提供决策支持。本文针对数据不平衡和现有单一信用评分模型的不足,提出了融合机器学习的方法构建信用评分模型,实现对信贷客户信用风险的评估。本文的主要研究内容如下:1.针对信用数据的不平衡问题,采用Borderline-SMOTE算法对少数类样本进行了扩充。该算法是将少数类的样本分为三组,分别为Safe、Noise和Danger,其中选择Danger样本为边界样本,然后利用随机插值的方式将选取的边界样本合成新的少数类样本,最后将新的少数类样本与原始多数类样本相结合,得到均衡数据集。实验选取了多组比例不平衡的样本集在同一分类器上进行比较。实验结果表明,采用Borderline-SMOTE算法处理不平衡样本集能够有效地扩充样本,在分类器上也取得相对较好的效果。在此基础上,采用BP神经网络和线性判别分析相结合的方法构建信用评分模型。在该模型中,首先将训练集分成若干个训练子集,其次利用线性判别分析算法对每个训练子集进行特征提取,提取的预测结果作为BP神经网络算法的输入变量,并利用BP神经网络分类器将结果输出进行组合生成样本预测标签,显著提升预测准确率。验证模型的性能则选取多个公开数据集和评价指标,对组合模型进行定量和定性分析。2.为进一步改善BP神经网络在模型中因收敛速度慢而导致的分类效果不佳等问题,提出一种基于Tanh型粒子群的BP神经网络和线性判别分析组合的信用评分模型。在该模型中,首先是对样本进行数据预处理。其次是采用线性判别分析对每个训练集的子集进行特征提取,提取到的预测结果作为BP神经网络算法的输入变量。最后,引入Tanh型函数粒子群优化BP神经网络分类器的权值和阈值构建模型,从而改善BP神经网络因收敛速度慢而导致的分类效果不佳的问题。实验选用基准测试函数与标准PSO算法对比,通过Matlab仿真得出寻优结果、函数收敛曲线以及Tanh型函数粒子群优化BP神经网络的误差迭代曲线。验证模型的性能则选取多个评价指标,对改进后的组合模型进行定量和定性分析。