随着人们消费观念的改变,“超前消费”的概念被越来越多的人所认可,消费金融迎来了蓬勃发展。它能使用户提前负担起暂时无法负担的商品,加速商品流转,在一定程度上促进了经济的发展。消费金融贷款有着小额、无抵押、无担保的特点,这些特点使消费金融贷款在惠及更多中低收入人群的同时,也为消费金融公司带来了贷款违约的风险。本文尝试用机器学习的方法预测用户违约的风险,降低消费金融公司的坏账率。传统的机器学习方法通常假设数据是均匀分布的,但消费金融贷款数据的分布是不平衡的,即未违约用户的数量远大于违约用户的数量,在这种情况下,采用传统的算法会导致模型过多地关注未违约用户的样本,导致对少数违约用户的错分,这种错分会给消费金融公司造成极大代价。因此研究消费金融贷款中的不平衡的违约数据分类问题有重要意义。本文基于消费金融公司捷信的贷款违约数据,对用户是否违约进行预测。首先对数据做了预处理和探索性分析,并根据数据特点构建新特征,选取xgboost模型中重要性排名前150的特征构建模型;其次本文选取xgboost和前沿的lightgbm模型分别建模,采用AUC作为评估指标,发现lightgbm模型整体上优于xgboost模型;最后,本文改进了lightgbm的损失函数,采用focal loss作为模型的损失函数,结果发现改进损失函数的lightgbm模型对少数类违约样本的预测效果更好,AUC值达到0.757144,仅耗时43s。