在社会经济高速发展的今天,人们提前消费的热情日渐高涨,随着“互联网+”和大数据技术的发展,信贷业务也在线上线下呈现出多种多样的业务形态。个人信贷业务需求量的不断增长使银行等金融机构获得可观的利润收入和大量的客户数据积累,但与此同时,由于监管审核不严格和信息差等因素,不良贷款率也逐渐攀升。因此,如何充分利用客户数据中的有用信息进行有效的信贷违约预测已成为急需解决的问题之一。论文基于真实信贷数据集,通过建立具有解释性的集成模型对借款人的违约行为进行预测,并可视化呈现影响预测结果的主要因素。首先利用单变量方差分析、特征转换与特征编码、特征归一化处理等方法完成数据预处理工作。然后,分别基于Logistic回归、XGBoost及随机森林构建个人信用贷款违约预测模型,并根据网格搜索法进行参数调优。在现有的随机森林模型的基础上,通过梯度提升的方法提高随机森林中单个基学习器的预测能力,并且用加权平均集成基学习器,以建立优化的随机森林模型。在模型评价指标方面,综合考虑AUC、召回率、F1值和准确率进行模型性能的评估。通过对比分析发现:对于本文所用数据集,集成模型普遍优于传统模型,XGBoost模型和改进随机森林模型有相对较好的分类效果和泛化性能,适用于进行信贷违约预测;对于同一测试集,在模型阈值相同的条件下,改进的随机森林模型的AUC值,对违约用户的召回率等主要评价指标均高于其他三个模型,说明其不仅对样本数据有较强的分类能力,而且能更好的识别违约用户。最后,引入SHAP解释框架对集成树模型进行可视化分析,分别从单个样本角度和模型整体角度探究模型重要影响变量及变量的影响效果,这在一定程度上解决了复杂集成模型可解释性较弱的问题,并且,在信贷实际业务场景中,基于SHAP的解释性图表可以帮助业务人员直观地分析影响用户信用评估结果的重要因素,方便进行人工干预和判断,具有一定的现实价值。