随着我国经济的快速发展、国内人均收入水平的不断提升以及大众消费习惯的转变,银行的信用卡业务不断发展,随之而带来的是信用卡风险,尤其是违约风险,因此研究信用卡的风险问题非常重要。分析表明信用卡数据集大多是类不平衡数据集,为此,建立基于类不平衡数据集和机器学习算法的信用卡客户违约分类模型,作为银行是否继续贷款,具有极其深远的意义。本文查阅了与本课题相关的近些年国内外的研究工作,对信用卡客户的分类方法,比如机器学习算法,进行了分析研究。本文选取台湾信用卡客户违约数据集作为本次的研究对象,该数据集来源是常用的加州大学欧文分校的UCI机器学习数据库。本文的主要研究工作如下:首先,建立了基于类不平衡的GBDT（Gradient Boosting Decision Tree）梯度提升树的信用卡客户违约分类模型,一是对本文的不平衡数据集进行平衡化,即过采样处理SMOTE（Synthetic Minority Oversampling TEchnique）人工少数类过采样法和ADASYN（Adaptive Synthetic Sampling Approach）自适应综合过采样算法及其相结合算法,得到一个新的数据集。二是总结了机器学习中随机森林和梯度提升树算法的原理和区别。三是介绍了构建类不平衡GBDT模型的具体步骤,预测该客户下个月是否违约,同时还对模型进行了参数调优和改进。经仿真对比评价指标,发现相对于RF（Random Forest）随机森林,该类不平衡GBDT模型的分类效果更好。然后,建立了基于GBDT+LR（Logistic Regression）逻辑回归的信用卡客户违约分类模型,一是对本文的不平衡数据集进行平衡化。二是利用GBDT算法,构造新的特征组合,即将GBDT中所有决策树每一个叶子节点作为一个新的特征。三是将新特征组合作为LR模型的输入向量。经仿真对比评价指标,该GBDT+LR模型的分类效果,比单纯使用LR模型,得到了较大的提升。最后,建立了基于加权Stacking的信用卡客户违约分类模型研究。一是建立集成学习,本文采用的是Stacking模型,采用的初级分类器是第三、四章提到的RF分类器、GBDT+Focal Loss模型和GBDT+LR模型。二是在此基础上,构建了初级分类器的加权Stacking模型,实验效果因此得到提升,效果比单独使用时好。这说明加权Stacking集成学习,对于本文使用的台湾信用卡客户数据集的分类效果有效。综上所述,本文主要工作是对台湾客户违约数据集进行不平衡处理,然后建模仿真,运用几种机器学习算法进行分类处理,最后构建了初级分类器的加权Stacking模型,达到了较高的Precision和Recall等指标。