商业银行的信贷服务是商业银行最主要的收入来源。银行给还款能力差或者是信用低的客户放贷会导致银行难以收回放贷金额,将会给银行造成亏损。商业银行可以通过对个人贷款信用评估,预测用户是否会违约还款,控制放贷来减少客户违约带来的损失。个人贷款信用评估本质上是分类问题,即把信用好的客户和信用差的客户区分开。学者们一直在寻找准确性和稳定性俱佳的个人信用评估模型,从早期的统计学方法,包括线性回归、判别分析、逻辑回归、决策树等,到非统计学方法,专家系统、神经网络、遗传算法等,再到组合方法。而且随着商业银行业务的发展,银行信贷数据量越来越多,为了使个人信贷评估更准确、更高效,本文提出基于Light GBM个人贷款信用评估模型。首先对数据分析处理,对于数据存在缺失,通过对比K-最近邻算法（K-Nearest Neighbor,KNN）填补和随机森林算法填补后,决定使用KNN算法填补缺失值;接着通过K-means聚类算法先对信贷评估客户分组,按客户的月收入和负债比率对客户分组,将客户分为低收入低负债、低收入高负债、高收入低负债、高收入高负债四组;最后使用Light GBM对客户分组数据进行训练,得到个人贷款信用评估模型。通过这个模型能够更加准确的预测用户是否违约。针对于客户违约样本较少,本文采用聚类算法对客户分组,通过模型实证分析,使用分组策略优于不分组策略,分组策略模型能更加准确的预测客户违约。Light GBM算法具有更快的训练效率、支持并行化学习、可以处理大规模数据的特点。通过信用评估模型实证分析,对比基于XGBoost的评估模型,得出基于Light GBM的评估模型对预测用户是否违约更准确、更高效。为了能更加容易进行个人贷款信用评估,使用基于Light GBM的评估模型,设计实现了一个可视化的个人信贷评估系统。本系统采用前后端分离框架,前端使用Vue,后端使用Spring Boot框架。系统界面简洁优美、操作简单,系统能自动调用Light GBM评估模型进行个人信贷评估,快捷方便。系统还对客户信用分布进行统计分析,生成图表,数据能直观展示给用户。本系统能够进行管理客户资料,并且自动完成个人信贷评估,使个人信贷评估更方便。