近年来,随着互联网技术的迅猛发展,各种网络金融衍生品也层出不穷,P2P网贷作为互联网金融的重要组成形式,更是发展不容小觑,P2P虽然给我们带来便捷的同时也伴随着相应的风险。由于我国的监管法律法规制度与配套社会信用机制尚未完善,由此出现了大量的违法违规以及信用风险事件,例如近几年频繁发生的P2P“暴雷”事件,我国金融监管部门在这样的情况下也在不断出台相关政策以整治。P2P平台在如此背景下更加需要借助科技的力量,聚焦于个人信用风险的评估,降低P2P企业和出借人风险。基于以上背景再加上我实习期间的个人经历,发现国内目前主要使用Lo-gistic回归算法构建个人信用风险评估模型,而少有基于极端随机树构造个人信用评估模型。于是,本文将进行极端随机树和Logistic回归算法在网贷平台中构建个人信用评估模型的比较。本文主要从以下方面进行研究:首先,通过介绍P2P国内外的发展历程,分析国内外对于评估指标以及个人信用风险评估模型的研究,引出本文的研究内容与目的,以及在实际中应用的意义。并介绍相关的Logistic回归算法、极端随机树算法等模型理论,为实证研究作铺垫。然后,通过数据获取,数据清洗,指标特征选取,构建模型和模型验证等步骤进行个人信用风险评估模型的构建。由于网贷违约是小概率事件,因此所获取的数据十分不平衡。于是利用Borderline-SMOTE算法将数据进行平衡处理。然后分别基于Logistic回归和极端随机树算法构建模型,并进行比较。由于数据是本人在国内某互联网金融科技公司实习时所收集的,因此研究具有一定的现实意义。最后,经过模型的训练仿真以及参数的调优,模型达到预期要求后,得出总结。并评论这两种模型各自的优势与不足,结果表明基于极端随机树的模型拟合效果整体优于基于Logistic回归模型的拟合效果。并且在构建这两个模型的过程中,发现用户的贷款类特征对于模型的预测效果具有比较大的影响力。因此,在收集用户的数据时应以贷款类特征数据收集为主,其他特征数据,如用户的基础信息数据、设备类数据、信用卡数据等这些数据收集为辅。本文以国内某互联网金融科技公司的数据为例建立的个人信用风险评估模型,在实际中有很高的应用价值。提前预知客户违约风险概率,有助于降低P2P企业和出借人风险,提高P2P网贷机构竞争力,同时也从大方向上促使了国内P2P的发展更加稳健。