随着信用经济的高速发展,信贷业务在各类金融机构业务中所占的比例越来越大,“信用消费”在国家经济运作和日常生活中的应用也有了很大的改变。“如何在信用贷款业务和信贷违约率之间达到平衡,降低违约率”是目前学术界研究的主要技术性问题之一,也是各金融机构在信贷业务发展中急需解决的问题。而这些问题究其根源是要解决金融机构个人信贷的配给风险问题,即如何科学、准确、合理的选择申贷者,减少机构的潜在损失,尽可能获得最大收益。而“个人信贷风险评估”恰好能解决这一问题。通过对个人基本社会属性以及信贷相关信息分析判断,并利用机器学习方法构建模型进行研究,将信用风险量化,从而在个人信贷配给问题上找到一个合适的均衡点,为降低信贷风险提供有效解决方案。2020年年初的新冠疫情席卷全球,给各国的经济带来了深刻且持久的影响。在国际经济低迷的同时,疫情对信贷业务是否也产生了一定的影响?产生的影响是否显著?该如何应对疫情的影响?针对这些问题,本文选取美国Lending Club官网2019年-2020年的个人信贷脱敏数据集进行分析。因原数据集字段较多,信息干扰较大,在对数据集做风险预测模型之前,对原数据做缺失值补充、不平衡数据处理等预处理工作。而后使用机器学习模型对数据进行拟合分析,并使用不同模型评价指标进行对比;在拟合模型的过程中,考虑再次将数据集分为疫情前和疫情后两组数据,分别对三组数据进行对比分析探究疫情对信贷风险是否有影响。最后得出结论,由于疫情原因,个人信贷业务的违约风险上升,疫情前后的数据有了一定变化,整体数据拟合的模型的效果要劣于分组数据的模型效果,不能很好的体现疫情对数据造成的改变;最后依据预测结果对信贷业务的发展提出相关对策建议,以更好地应对疫情对信贷业务的影响。