近年来,我国加快了社会信用体系的建设,社会信用意识不断增强,国民对于了解个人信用状况的需求量也在日益增加。个人信用的评估问题也逐渐成为了当今数据化时代的一大研究热点,但是我国对于个人信用评估问题的研究起步较晚,与发达国家有一定的差距,国内大量的金融机构缺乏能够准确评估个人信用的算法模型,因此对于个人信用评估模型的研究刻不容缓。LightGBM算法是一种兼具极度梯度提升特点和并行计算优点的高效集成学习算法。论文基于LightGBM算法建立个人信用评估模型,利用集成学习的思想,研究对个人信用问题进行评估和预测的问题。本文针对Lending Club平台真实交易数据,开展从数据预处理、特征工程、模型训练和预测的实证研究,并且与GBDT和XGBoost模型进行对比分析,结果表明LightGBM不仅能够保证分类效果,而且还能在一定程度上提升运行效率。所以LightGBM算法在个人信用评估问题上是一个非常值得深入研究的集成学习算法。