随着我国普惠金融战略的推进,信用经济成为新的经济增长点,消费信贷作为信用经济的主要表现形式,在我国得到了快速发展,也逐渐成为银行等金融机构新的利润增长来源和业务转型方向。但是随着消费信贷市场竞争日趋激烈,行业风险管理水平低下、不良贷款率过高等问题开始逐渐凸显,2015年后国家就开始加大了对银行等金融机构的信用风险的防范管理水平的监管,因此为了保证银行等金融机构小额信贷业务能够实现良性的运转,积极建立一套完善而有效的信用风险评估模型以期合理量化借款人信用风险具有重要的研究意义。近年来,针对信用风险评估问题,学者们利用统计方法和机器学习等技术构建信用评估模型,涌现出了一大批优秀的研究成果,极大丰富和完善了信用风险评估理论。然而通过对国内外个人信用风险评估研究进行系统梳理,本文发现当前信用评估模型仍然存在几点不足:一是模型精度较低。目前大多数的模型主要基于简单的统计方法和机器学习技术,无法深刻反映和拟合信用数据特征中存在的复杂映射关系。二是评估模型在不平衡数据中处理效果不佳。鉴于信贷业务中违约样本数量要远远多于非违约样本数量,信用数据天然存在较高的类别不平衡比率。然而大部分分类算法在面对不平衡数据时,倾向于拟合数量占优的非违约样本,导致评估模型对违约样本拟合能力不足,现实针对性较差。最后,评估模型可解释性较差。目前关于信用评估模型的研究主要追求模型预测精度的提升,而忽略了模型在现实应用中的可解释性问题。根据相关监管部门要求,金融机构在开发信用评估模型时,不仅要注重模型的预测性能提升,还要关注模型的可解释性分析。针对以往研究的不足,本文基于深度森林（gc Forest）和随机平衡采样（Random Balance,RB）算法,从数据层面和算法层面构建了预测精度高、不平衡数据适用性强、可解释性更好的个人信用评估模型,本文内容如下:首先,针对数据不平衡问题,本文应用了RB算法对不平衡信用数据进行预处理。RB通过混合采样随机生成与原来样本集大小一致但是不平衡比例多样化的新样本,从而实现对数据的预处理.通过随机性和重复性增加了数据的多样性,进而结合本文使用的gc Forest算法,保证了基分类器的多样性,最终提升了模型的泛化性能;其次,为了构建精度更高的模型,本文对gc Forest算法进行了改进,将分类能力较强的XGBoost模型嵌入gc Forest级联结构之中,在维持原有复杂度不变的同时,增加了模型的差异性,构建了一个低方差和低偏差的模型,提升了模型的分类精度;最后,本文对模型进行了专门的可解释性分析,利用特征重要性分析从全局维度分析了哪些特征普遍来说对违约与否会产生影响,从而揭示模型的分类逻辑。同时,本文还引入LIME算法对信用评估模型的局部可解释性进行分析。LIME算法对特定观测值的分类结果进行解释,详细说明了某个特征对预测结果的影响程度,增加了模型的透明度和可信度。为了验证本文提出的RB-gc Forest混合信用评估模型的有效性,本文基于某金融机构的个人信贷数据进行了实证研究。在模型评价指标上除了常规的准确率指标,还选择了用于对不平衡数据评价的F1值和AUC指标。同时,本文将提出的模型与其他常用的信用评估模型进行了对比,实验结果显示本文提出的改进的gc Forest模型在F1值、AUC、正确率上显著优于传统信用评估模型。此外,为验证RB算法在不平衡信用数据处理上的优越性,本文还对其他常用的不平衡处理办法与RB算法进行对比研究。最后,通过对RB-gc Forest模型进行可解释性研究发现,年龄、借款期限、学历等特征对借款人违约与否有较大的影响,LIME模型对测试集数据集中任意选择的三个客户样本进行分析,获得样本属于每个类别的概率值并基于结果对分配概率的原因进行了说明。本文构建的信用风险评估模型无论从精确度上还是可解释性上都要优于传统的信用评估模型,因此可以更有效地为银行等金融机构提供信用评估决策支持。根据实证研究结果,文章的最后给予了相关政策建议。