近些年来,伴随着经济高速发展,人们的消费观念也正在逐步转变,我国个人信用消费在规模上不断扩大。个人信用是建立在彼此信任的基础上,按照一定的协议而提供给个人的信用,比如银行可以根据个人信用来决定是否给客户贷款等等。进行合理有效的个人信用评估,不仅有利于保证银行的正常运转及国家的经济安全,而且也能更好的发展银行业务,带动消费增长和国家经济发展。但是伴随着社会欺诈,违约等现象逐渐增多,因此判断客户是否诚信,在贷款时是否会发生信用欺诈,违约现象非常重要。当下,伴随着我国个人信用消费发展迅速,也出现以下问题,一方面是目前个人信用体制还不够健全、另一方面是银行数据库中存在不平衡数据集会降低信用评估准确率。以上这些问题都可能导致银行遭到巨大损失。为了解决这些问题,提高个人信用评估准确率,对我国个人信用消费规模的发展具有非常重要且深远的现实意义。在海量的数据集中,随机森林通过自助采样获得数据子集,这些数据子集构建决策树能得到很好的分类预测效果。随机森林具备预测准确率高、时间复杂度低等优点使其在很多领域都有广泛的应用,比如互联网攻击识别、医学诊断、图像处理等等。综合这些优点,随机森林同样适合应用在个人信用评估研究中。本文进行了基于改进随机森林算法的信用评估研究,首先对影响信用评价的一些指标进行分析,建立相应的指标体系;然后根据建立的指标体系来建立模型进行分类。但在实际应用中,因为个人信用所获得的数据常常表现为不平衡数据,所以在数据处理方面经常引入欠采样和过采样方法。由于欠采样方法可能会失去许多样本的信息,而过采样方法可能会使少数类样本过拟合。本文提出了一种新的基于混合采样的随机森林算法(BSI)。首先通过引进“变异系数”找出样本的稀疏域和密集域;然后针对稀疏域中的少数类样本,提出了一种改进的过采样方法(BSMOTE),对密集域中的多数类样本,提出了一种改进的欠采样方法(IS);最后将平衡后的数据集送入随机森林分类器中进行训练。在对个人信用评估的研究中,通过实验表明,该算法与传统算法相比,取得了更高的G-mean值,F-value值,AUC值,具有更高的信用评估准确率。