P2P网络借贷,俗称P2P网贷,起步于英国.近年来,伴随着互联网技术的快速普及,P2P网贷在国内外发展特别迅速,呈现出各种各样的形式.P2P网贷属于小额借贷,投资门槛低,备受大众青睐,然而平台跑路、借款人违约等事件层出不穷,因而也得到广泛关注.本文以中国P2P网贷为研究对象,运用两种常用的机器学习方法和一种新的贝叶斯方法来评估网贷借款人的信用风险.这三种方法分别是:支持向量机(SVM)、随机森林(RF)以及贝叶斯可加分类树(BACT).首先将原始数据分成训练数据和测试数据,然后将训练数据等分成三份,称为原始训练集.考虑到数据存在类不平衡问题,故使用SMOTE算法对训练数据进行处理,以下将称这种数据为SMOTE训练集.其次分别以原始训练集、SMOTE训练集分别通过3折交叉验证,同时选取各模型对应参数.然后结合训练集、所选参数及模型对测试集进行建模、预测,进而比较不同训练数据集下训练所得模型之间的分类效果.最终发现,在使用SMOTE训练集来训练模型时,贝叶斯可加分类树和随机森林能够很好地识别违约的借款人,不过他们的AUC值没有显著变化,支持向量机的AUC值显著变大;贝叶斯可加分类树的分类准确率和AUC值都比随机森林、支持向量机大,其两类误分类率均比随机森林、支持向量机小;随机森林和贝叶斯可加分类树对应的ROC曲线明显位于支持向量机所对应ROC曲线的左上方,而随机森林对应的ROC曲线几乎与贝叶斯可加分类树对应的ROC曲线重合;这些都说明在SMOTE训练集下,贝叶斯可加分类树在评估借款人的信用风险方面具有很好的效果。