在互联网技术还未发展成熟以前,在风险评估领域,一般采用传统的计量模型,使用少量的贷款用户数据,来制定一套评估信用风险的准则。而随着计算机的高速发展,大数据时代的来临,借贷机构可以轻松获取大量的贷款数据,如果直接使用传统计量模型,由于其模型的解释能力较差、拟合不完全等问题,在此场景下将其用于信用评估将会丢失大量有用信息。而机器学习模型能够处理高维度、大样本的数据,能够极大地提升信用风险评估的准确性。因此在新的时代背景下,需要对信息评估系统进行更新,建立更有效更精确的信用评估模型。因此本文选择可高效处理高维数据的XGBoost、Light GBM、Cat Boost模型,再分别从数据层面、算法层面对模型进行优化。本文首先阐述了XGBoost、LightGBM、CatBoost模型以及遗传算法、粒子群优化算法的相关理论,并以Bank loan数据集作为研究对象,对数据进行整理和清洗,同时对贷款用户的基本情况进行初步分析。在数据层面,使用多种重采样方法对数据进行处理,减少不平衡数据带来的影响,发现ENN下采样方法可以达到最优的拟合结果。在特征选择方面,通过使用遗传算法的随机搜索来选择最佳子集为后续的模型建立打下基础。最后分别建立XGBoost、Light GBM、Cat Boost分类预测模型,使用粒子群算法进行优化,并与其他模型进行比较。实证结果表明,在经过遗传算法特征选择,粒子群优化算法进行超参数优化后,不仅能提高模型的泛化能力,同时还能提高模型的运行效率。其中Cat Boost在所有的模型评估指标中都要优于XGBoost、Light GBM以及其他传统的机器学习模型,测试集上的AUC值高达0.9433。最后通过Cat Boost模型输出6个影响度最大因素:last＿week＿pay、int＿rate、sub＿grade、tot＿cur＿bal、tolal＿rec＿int、recoveries。这些因素对预测是否违约的影响都非常大,累计贡献率超过85%,为建立信用风险评估指标体系提供一定的参考意见。