消费信贷场景中的个人信用风险评估问题困难点集中在解决数据特征维度高、数据稀疏问题、样本类别不平衡问题、利用模型评估个人信用风险的性能问题。本文针对在消费信贷场景中对个人信用风险的评估问题,出了PRMK-S5-DS预测框架。首先,在基础数据处理和特征工程的基础上,考虑特征维度过高会造成数据冗余,使用PCA特征降维算法和REF＿MRL1特征选择算法将高维特征转成低维特征,并最大程度保留原始数据信息。其次,考虑到违约样本数量极小会导致机器学习模型对违约样本的预测精度过低,使用SMOTE＿5采样方法平衡样本中的违约样本和未违约样本数量,同时使用KIL2算法为样本打异常标签。最后,使用DXL＿SVM模型作为分类器,给出测试集样本的最终预测结果。DXL＿SVM模型融合了决策树、XGBoost、Light GBM、SVM四种基分类器,能有效减弱单个分类器的缺陷,性能表现优越。使用某家消费信贷公司的样本数据,在auc、Accuracy、Precision、Recall、F1-score五种分类模型评价指标的表现上,PRMK-S5-DS预测框架相较于决策树、XGBoost、Light GBM单个模型均表现优越,验证了PRMK-S5-DS预测框架的有效性,并成功用于个人信用评估中。