近几年,我国居民的消费贷款规模一直保持在20%以上的高速增长,各互联网巨头都已先后发力,瞄准了消费金融市场潜力。精准高效是各大金融机构风控系统的核心竞争优势,维系这一优势的则是以大数据为代表的新金融科技技术。建立精准高效的个人信用评估系统,高风险控制能力,是金融机构的迫切需求。本文在国内外相关研究的基础上,出了基于集成学习的混合模型:选择弹性网-Logistic回归、随机森林和XGboost三个模型作为基学习器,通过Super Leaner算法进行融合得到混合模型用于个人信用评估。实证部分采用来自某互联网金融智选平台的近6万贷款用户的基本身份信息、消费行为、银行还款等数据信息。以对模型原理和实际业务背景的理解为基础,建立科学合理有效的特征工程框架,进行特征取、缺失值处理和数据标准化,最大程度上获取数据中的样本信息。最后得到特征维度均为343维,样本长度为38917的训练集和样本长度为16679的测试集用以建立个人信用评估模型。基于训练集建立弹性网-Logistic回归、随机森林和XGboost三个单模型和通过Super Learner算法得到的混合模型,通过其KS值和AUC值综合评价模型在测试集上的表现,并进行了对比研究,混合模型在两个评价指标上均优于单模型。最后,从特征工程的重要性以及混合模型的优越性两个角度对全文进行总结,并对就本文的不足之处出了后续研究建议。