近期来,信息科学搭乘互联网科技的快车,给各大行业带来新的发展机遇,新的行业发展态势也如雨后春笋般涌现。在大数据分析技术、云存储技术、人工智能技术等的驱动下,金融行业的全新模式--互联网金融的概念应运而生的。行业新模式的出现,往往机遇与挑战并存。一方面,信息技术有助于打破传统金融领域信息不对称的壁垒,大幅减少交易成本,促进金融市场的高效化、阳光化和规范化,提高金融包容（financial inclusiveness）水平。这对于健全我国多层次金融市场方面有着巨大贡献,对我国金融行业的发展、经济模式的良性运转具有积极意义。另一方面,这样创新的模式也对金融行业的科学控管提出了新的要求。金融要想抓住历史发展机遇,合理管控风险,就必须提高行业自身的管理水平。高新信息技术和金融行业的结合,使得用户欺诈行为更具隐蔽性。因此,如何快速准确地识别这些金融欺诈行为,成为了互联网金融时代亟需解决的难题。本文立足于互联网金融行业的新态势,基于互联网金融数据分布不平衡的特点,创新性地将机器学习方法和互联网金融数据进行融合,设计了一套用于识别风险用户的违约预测模型,并通过实证研究证明了其有效性和普适性。更进一步地,本文从特征工程、模型选择以及影响因素的角度对互联网金融行业的未来发展方向提出了建议。本文首先就互联网金融行业内的违约预测的相关研究结论进行了文献调研,着重对违约风险紧密关联的影响因素进行了梳理归纳。在预警模型构建方面,本文在传统预警模型的基础上,针对性地引入非平衡数据处理方法,并进行多模型融合实验。本文基于Lending Club平台的金融数据进行实证研究发现,从数据角度进行非平衡处理以及从模型的角度进行多模型融合,对模型的预测效果均有积极作用。全文分为五个部分:第一部分为本文的引论部分,阐述了本文的选题背景和意义,并对国内外的相关领域进行文献调研,对其成果进行归纳、总结以及综述。第二部分,对本文涉及到的关键概念的内涵进行了界定,对这些概念的外沿及其关系进行说明,并从借款人以及借款行为的角度,对互联网金融行业的违约影响因素进行梳理总结。同时引出了本文的主要研究方法的理论依据,基于Boosting集成学习的机器学习理论以及基于重采样算法的数据预处理理论。文章的第三部分,介绍了本文实证研究的数据来源。具体地,本部分对300多万条数据进行了缺失值处理、特征选择以及数据平衡化操作。第四部分,实证研究,本部分基于NGBoost、XGBoost、Ada Boost、GBDT分别构建违约风险预测模型,并分别与SMOTE、LR-SMOTE、Tomek Links、CMFS-LR-SMOTE、Easy Ensemble非平衡数据处理方法进行融合。实证研究的结果表明,NGBoost在单模型中表现出最佳的性能,而与CMFS-LR-SMOTE的结合,可以进一步提高模型的预测能力。第五部分,基于上述研究的结果,本文得到如下结论:（1）NGBoost和其他算法相比,预测效果最佳;（2）特征工程和算法融合可以提升算法的上限;（3）借贷者的信用等级是做重要的影响因素。