传统的商业银行在长时间的经营过程中都积累了大量的用户资源以及用户信息,如果能够有效利用这些资源和信息则可以对商业银行的产品开发产生较大的助力。但是目前商业银行对于客户信息的分析和处理以及大数据技术的利用方面存在一定的技术屏障。鉴于此本文以机器学习在商业银行信贷风险分析中的应用研究为题进行研究。1、基于机器学习的相关理论研究,引入关联规则发现的方法构建了银行信贷的风险预测模型,首先基础上采用聚类分析的方法对客户信息进行聚类分析,将连续的数值转化为状态性质的离散变量,为后续的关联规则挖掘提供基础的同时也为商业银行了解客户的行为习惯提供参考,而后基于Apriori算法对商业银行客户信息进行了关联规则挖掘,并用于发掘客户基本信息、银行业务往来信息和违约行为之间的关系,在关联规则发现的基础上,将给定的分析对象与已经发现的关联规则中前项进行匹配,从而得到客户在对应类型信贷中发生违约行为的置信度,实现对于信贷申请客户的信贷风险预测的目的。2、根据建立的风险分析预测模型进行了系统的总体设计和功能设计。将系统分为业务信息管理、基础信息管理、征信信息管理以及信贷风险管理四个功能模块,并给出了不同功能模块的流程图以及时序图等。3、基于J2EE技术对于所设计的方案进行了实现。采用中国银行的数据样本进行实验分析。采用准确率作为分析的依据,将本文所提出风险分析方法进行了校验。其结果显示,在不同的违约置信度水平下都可以保持较高的预测准确度;在不同类型以及不同金额设置的背景下也可以保持较高的预测准确度。商业银行可以通过以不同的违约置信度作为信贷授信的依据,从而实现不同强度的风险控制。