随着小额消费信贷和互联网金融的发展,P2P网贷行业迅猛发展,已达万亿市场,网贷平台无需抵押,供借款人发布借款标及理财者投资,目前个人信用观念极弱,信息不对称、逆向选择导致的违约情况严重,因此,网贷信用评价至关重要,信用评分旨在利用个人信用相关数据对是否违约进行判断,提前预测借贷者的信用情况,决定是否借款,可以减少平台的违约率,也能促进国民信用意识的提高。然而网贷个人评价指标体系不够完善,特别是互联网金融信息、社交信息没有考虑在内,另外评价模型准确性及稳定性有待提高。目前以数理统计、人工智能方法(神经网络、随机森林、SVM)为基础的单一模型、集成模型存在着诸多问题,包括误判率高、不稳定、泛化能力弱、计算所需空间和成本高。针对上面提到的问题,本文提出评分模型系统性优化方案,重点进行指标体系的完善及评分模型的构建优化。其一,首先梳理分析传统的个人信用评价指标体系,初步构建符合网贷特点的指标体系,再基于逻辑回归方法,计算指标的WOE、IV值,进行显著性分析,科学合理的确定指标体系。其二,构建基于选择性集成方法的模型,首先选择准确率达标的分类器,计算Q统计差异量,确定最终的基分类器,然后引入选择性集成算法,异构一定数量的分类器集,选择最优的子集集成模型,构建基于方向排序法选择性集成模型(OO)、基于模糊聚类分簇法选择性集成模型(FCM-CFP),其三,最后利用融360平台、人人贷的数据进行实验,从准确率、基分类器规模、计算时间三个维度对两个模型进行比较分析,另外也与单一模型和集成模型进行对比分析。实验结果表明,两个模型各有优劣势。选择性集成模型预测性能都最好、排序法模型计算时间更短,分簇法由于保持更好的差异性,稳定性更好。上述两个模型与单一模型、集成模型相比,基分类器数量较多,但评分精度,稳定性、泛化性能更高。