近年,个人征信体系不断完善,导致了在个人信用评估中,面临数据来源众多,数据结构复杂且量级大等问题。金融行业基于传统征信技术对个人信用评估难以克服当前面临的数据层面难题和评估模型层面技术的瓶颈。大数据的发展提高了风险控制在企业运作中的地位,在数据来源不同的情况下,个人信用的评估分析有助于银行降低不良贷款率等,成为银行精细化运营中风险评估的得力助手。本文针对现阶段个人信用评估中的多个训练集如何融合及传统评估技术是否适用这两个问题,通过分析传统信用评估模型的优缺点,提出了利用GBDT/XGBoost+LR模型、Stacking算法及TrAdaBoost算法进行信用评估,基于科赛网的前海征信企业赛题数据进行了实证分析,并将试验结果同传统的LR模型进行了对比。首先对数据存在的缺失值、异常值、和偏斜变量等问题进行预处理,采用SMOTE算法均衡数据集的正负样本,采用皮尔森相关系数和随机森林算法对数据进行降维,根据变量重要性排名筛选出了对中等额度信用贷款业务A、小额短期贷款业务B影响最大的前45个特征。利用Python3分别实现了LR模型、GBDT+LR模型、XGBoost+LR模型以及Stacking算法和TrAdaBoost算法并对模型的分类效果进行比较分析。通过五折交叉验证和网格搜索寻找最优分类器的参数设置,采用精确率、召回率、F1值作为辅助评价指标,AUC值作为主要评价指标。研究结果显示:相较于传统的LR模型,Stacking算法表现最好,计算速度快,模型的F1值和AUC值分别高达0.89和0.87。其次是GBDT+LR模型和XGBoost+LR模型,其AUC值分别为0.84和0.82,在特征重要性上,GBDT+LR模型偏好于客户个人信息特征,而XGBoost+LR模型则更倾向于客户历史购买产品情况。几种模型均输出一些共同的且贡献度较高的特征,如UserInfo40、UserInfo50、UserInfo254和ProductInfo31。TrAdaBoost算法学习的分类器与另外三种方法相比表现稍差,F1值为0.75,AUC值为0.74,同时TrAdaBoost算法耗时最长。最后本文选择表现最佳的Stacking算法对给定的测试样本进行预测,结合模型训练中得到的各变量相对重要性得分进行重点业务分析。针对多个数据集的信用评估模型的创新和提高,对于企业规避风险具有重要的实际意义,值得不断探索和研究。