个人信贷随着互联网金融逐步发展而越来越受到金融市场的重视,并取得爆发式增长。然而,我国个人信贷业务起步较晚,尚不健全的征信体系以及稍显落后的风控技术使得信贷风险的违约率逐年增长。目前,违约风险己成为个人信贷产品的重点防控的风险,如何为个人信贷产品构建一套合适的风险评估模型,显得迫切与必要,对这一问题进行探讨具有重要现实意义。本文以lendingclub平台上的从2018年三、四季度及2019年一、二季度的信贷数据为研究对象。首先,对原始数据中的缺失值、数值变量、分类变量以及类别不平衡的目标特征分别进行处理,然后,基于信贷知识、GBDT算法提取重要性程度较高的50个变量特征;随后,分别采用逻辑回归模型、基于bagging算法的随机森林模型、基于boosting算法的XGBOOST模型以及stacking集成模型,分别构建个人信贷违约评估模型,并根据不同的评价指标对模型结果进行对比分析;最后,选用随机森林模型计算不同特征的重要程度,分析个人信贷违约风险主要影响因子。实证分析结果表明,对借款人是否违约的最大影响因素为贷款利率、贷款金额。除此之外,借款人自身活跃的银行卡数量、房屋所有权、申请贷款人员、贷款还款额期限、收入是否经过LC验证、贷款目的等一系列行为特征,对其是否会发生违约也有重要影响。相对于用传统单一的逻辑回归模型方法研究此类问题,采用集成学习集方法探究此类问题在准确率和违约样本召回率方面均有明显提升,具有更重要的现实意义。