信用支付业务已经越来越重要的成为我国银行业和金融业的重要业务,随着社会现代化的发展,具有越来越多样的载体形式和产品形态,如何高效精准的进行银行用户信用违约预测成为了极其重要的问题。针对信用支付业务场景,本文基于机器学习方法设计了银行用户信用违约预测方法。研究了多维度用户违约特征构建方法来解决银行用户信用违约预测特征构建不充分问题;建立了基于分位点的归一化方法来解决银行信用违约数据分布不均衡问题;建立了基于逻辑回归的前向特征筛选算法来解决银行信用违约预测模型构建中特征空间膨胀的问题;建立了线性加权模型融合方法进行模型融合来解决单模型预测偏差与精度问题。为验证本文所提方法的有效性,参加了2020年某银行Fintech挑战赛,并取得了决赛第三名的成绩。通过对比赛结果进行分析,进一步优化了算法。在某银行用户信用违约数据集上的测试结果表明:多维度用户违约特征构建方法将三种不同类型机器学习模型的auc值平均提高了7.21%;基于分位点的归一化方法将逻辑回归模型auc值提高了0.72%而不降低xgboost和随机森林模型的表现;基于逻辑回归的前向特征筛选算法将三种不同类型机器学习模型的auc值平均提高了0.15%同时将模型训练速度加速了3-5倍;线性加权模型融合方法得到的融合模型相较于单模型最优auc值提高了0.10%。实验结果进一步验证了本文针对银行用户信用违约问题所研究建立的建模方法的有效性和合理性。通过对本问题的研究可以发现,一个高效准确的机器学习模型,往往需要在目标业务场景进行合理详细的背景调研和数据分析的基础上,结合所使用机器学习算法的特点,对目标业务难点进行有效的针对性优化,综合考虑不同机器学习建模方法的优势和劣势,在偏差与方差、模型复杂度和可解释性、优度和速度之间寻找平衡点,才能满足特定业务场景下的要求。