近年来随着网络时代的迅速发展,互联网金融产品迅猛发展起来,大型的借贷平台也逐步兴起,Lending Club是其中一家发展迅速、运作较好的大型P2P(Peer to Peer)交易平台,由于P2P平台交易门槛低、流程简单、投资回报率高等优势,迅速吸引了大批量客户进入市场,从中也衍生出了一些违规贷款和欺诈事件,所以本文以LendingClub公司2018年10月1日到2018年12月31日的批贷数据进行建模分析,通过集成分类预测的方法进行风险评估,提高P2P平台关于违约率较高客户的识别能力,从而为该平台及公司提供科学决策依据。本文主要运用机器学习算法进行评估预测,通过Synthetic Minority Oversam-pling Technique(SMOTE)方法对不平衡数据进行过采样,对特征进行衍生及筛选,并在此基础上使用网格搜索算法对Logistic Regression(LR),Random Forest(RF),eXtreme Gradient Boosting(XGBoost),Light Gradient Boosting Machine(LightGBM)等模型进行参数优化,并进行模型比较。最后对分类效果较好的模型进行融合,融合结果通过Logistic Regression,多数投票和概率平均三种方式进行输出,比较发现融合后的模型可以对客户进行更准确地分类。同时采用SHapley Additive exPlana-tion(SHAP)可解释模型从局部和全局的角度对最优模型进行可解释分析,并找出了数据中使得客户违约的重要特征。因此集成模型有更高的准确度对客户的违约行为进行识别。