个人信贷消费已经成为大众日常消费的重要组成部分。为避免不良信贷的发生,金融机构普遍采用个人信用评分模型来计算客户信用分数,评估客户还贷能力,从而决定放款的额度和策略。因此,建立具有良好预测性能的个人信用评分模型,既有利于金融机构防范不良贷款风险的增加,也有助于促进个人信贷消费,推动消费市场的良性发展。本论文利用德国信贷数据集(German Credit Dataset)建立了一个两阶段的个人信用评分混合模型。建模思路为:首先利用随机森林特征选择算法对特征变量重要性进行排序,去除冗余特征,然后将重要性靠前的特征变量纳入Logistic回归模型。最后从预测准确度、稳健性和可解释性三个方面对决策树、随机森林、Logistc回归这三种单一模型和混合模型的预测性能做了评价和比较。结果显示,三种单一模型中,随机森林模型的预测准确度最高,Logistic回归模型次之,决策树最差;三者在测试集上的预测准确度分别为76.00%、73.50%和71.00%。相比决策树和Logistic回归,随机森林的学习能力更强,对训练样本和未知样本都能更准确划分。此外,Logistic回归模型以训练集和测试集上的预测准确度之差度量的稳健性最佳,随机森林稳健性最差。本论文提出的随机森林-Logistic回归混合模型利用了比三种单一模型更少的特征变量,有效降低了噪声干扰。从预测性能来看,混合模型的灵敏度、特异度和准确度分别为67.16%、78.20%和74.50%(测试集),均高于单一的Logistic回归模型,同时具有较好的稳健性和可解释性。本论文结果提示不同单一预测模型进行组合以实现优势互补的策略是可行的。