P2P网贷作为互联网金融领域的代表发展非常迅速,与此同时,众多风险也随之暴露,其中最主要的是信用风险(借款方违约风险)。因此,对借款方是否违约进行分类预测以及研究影响借款方违约的因素具有一定现实意义。本文选择我国上线较早且具有代表性的P2P网贷平台-人人贷作为研究对象,选择其2016年和2017年的有效历史交易数据构建二分类预测模型进行实证研究。首先,本文基于五个方面构建了19个特征,然后应用随机森林进行特征选择,依据每个特征的平均得分选择了前15个较重要的特征参与建模;其次,将不同的非均衡数据集处理方法(欠采样、过采样、欠采样过采样组合)与机器学习算法(SVM、RF、AdaBoost、XGBoost、LightGBM、CatBoost)相结合建立网贷违约分类预测模型;最后,通过对AUC值等衡量分类模型性能的指标进行对比分析,结果显示:复合CatBoost模型中的SMOTETomek-CatBoost模型相较于其它模型(SVM和复合SVM模型、RF和复合RF模型、AdaBoost和复合AdaBoost模型、XGBoost和复合XGBoost模型、LightGBM和复合LightGBM模型)具有更好的分类预测性能。通过对复合XGBoost、复合LightGBM和复合CatBoost模型的特征重要性评分结果分析,得到了7个影响借款方违约的主要因素。