随着我国社会经济的高速发展与居民超前消费观念的形成,借贷成为个体和企业处理自身经济问题的一个重要途径,国家也通过大力支持信贷产业和其他相关金融机构的发展来刺激消费者消费。然而,由于平台自身监管体系的的滞后性和贷款制度的不完善,用户的违约行为将引起平台坏账率增高,在大多数场景下,信贷违约数据都存在不平衡的特性,如何有效利用数据信息,对借款人的潜在违约风险进行有效评估和识别,在发放贷款前测算借款人违约概率,是现代金融机构风险治理的基础和重要手段,这同样对信贷产业的健康发展尤为重要。本文深入探索贷款违约场景下非平衡数据的分类预测问题,利用阿里云天池提供的某信贷平台2018年1月至2018年12月的贷款违约数据,比较基于不同重采样方法修正后的数据集对不同分类模型预测性能的改善程度,主要步骤如下:首先,介绍非平衡数据集的定义、特点以及分类过程中可能面临的难点,分别阐述Tomek Links、OSS和Near Miss三种欠采样处理方法和SMOTE、Borderline-SMOTE、ADASYN三种过采样处理方法的算法原理。其次,介绍数据集的来源与指标含义,开展包括无关变量、缺失值、字符串信息提取、分类变量编码和数据标准化等数据预处理,然后对预处理后的数据集进行基于LightGBM的特征选择。在对数据集进行预处理和特征选择处理后,将其分为训练集与测试集,对原始训练集进行基于六种重采样方法的修正处理。然后,对修正后的数据集依次建立Logistic、随机森林、BP神经网络三种单一分类模型和Ada Boost、XGBoost、LightGBM三种集成分类模型,并进行参数调优,分析同一分类模型与不同重采样方法的组合效果。再依据AUC和F2值这两种评价指标对不同模型组合的预测效果进行对比分析,主要分析同一类修正状态下不同分类模型预测结果的差异性。最后,通过结合欠采样与过采样的方法,得到效果最好的最优组合方法Tomek Links+Borderline-SMOTE+LightGBM,并通过SHAP摘要图对其结果进行特征重要性解释。本文可以得出以下四个结论:第一,过采样对分类模型预测性能的改善更加显著,而欠采样方法的改善效果与修正后的正负样本比例有关。第二,对于非平衡原始数据集,集成模型的分类预测性能整体优于单一模型;对于重采样修正后的数据集,单一模型中的BP神经网络与集成模型中的LightGBM模型表现相对最好。第三,欠采样与过采样的结合具备一定的优势。第四,贷款利率、贷款发放月份、贷款等级、贷款金额、客户年收入和客户名下房屋所有权状况等是预测客户是否会发生贷款违约行为的关键指标。