针对贷款违约给商业银行带来的信用风险损失，本文基于Kaggle平台的Loan Defaulter数据集，通过建立机器学习模型预测客户违约情况，以降低信贷风险。本文根据贷款数据类别不平衡和特征维度高的特点，对其进行数据处理以及探索性数据分析，得出与贷款违约高度相关的重要特征，包括性别、家庭人数以及借款人所在城市、住房类型、总收入、所属行业、职业类型、工作年限、受教育程度、消费贷款额度、贷款金额、贷款年金等。在比较各类模型的基础上，本文选择表现较好的随机森林，XGBoost以及K近邻组合为Stacking集成模型。实验表明，与单一算法相比，该模型的集成算法具有更高的精确度和预测效果，其中Stacking模型能够融合其他基础模型的优点，取得最好的预测效果。本文主要创新点有二：一是梳理信用评估模型中集成模型的基本特征，基于不同模型的优势，引入Stacking模型组合建模，融合四组机器学习模型并建立双层学习器，提高了信用风险评估效果；二是基于普惠金融发展，将研究对象具体化为个人信贷，应用场景更加细化，并得出影响贷款违约的重要特征。