作为普惠金融的重要组成部分,信用贷款依靠其便捷、高效、投资门槛低等特点在个人贷款和小微企业融资方面发挥了重要作用。但事物皆有两面性,信用贷在迅猛发展的同时,也面临了重大的信用风险,尤其在当下监管趋紧的现实情况下,如何从根源上把控借款人信用风险对借贷机构来说显得愈加重要。个人信用风险评分是有效识别并降低信用风险的决定性因素,而分类算法模型依靠其精度高、易于实现的优点被广发并应用于个人信用评分领域。本文选取国内商业银行纯信用标的借款数据作为研究对象,运用最新的分类模型XGBoost等分类算法对借款人的信用风险进行预测评估。在实际评分工作中,评分数据对评分预测结果影响重大,本文依据信息增益方法对平台借款人数据进行分类、构建信用评分指标体系,同时对类别字段进行了属性合并及降维处理,以达到精简模型和防止过度拟合的效果。实证研究结果表明,进行数据处理后的训练样本分类预测精度下降控制在比例为1%-3%之间,而测试样本的分类预测精度也预计可以有相应的提高（目标是3%以上）。在模型优化改进方面,本文引入误判成本及误判矩阵,通过提高第二类错误的误判成本,达到降低第二类错误率的目的,这也符合实际评分工作中的具体情况。通过实证研究可以表明,在确定合理的误判成本矩阵之后,虽然测试样本集第一类错误率增加了一定的比例,但对实际评分中损失影响更大的第二类错误率了更多。最后,根据最终的分类算法模型,模型所输出了各变量重要性结论,本文有针对性地提出了相关建议。即信用贷款应在加强自身信用风险控制能力的同时,将对接央行征信与第三方数据合理结合,并采用大数据征信扩大对借款人信用审核的维度以及深度。