近年来,随着互联网技术的广泛应用和发展,金融行业也迎来了互联网时代,互联网技术深刻影响着金融行业的创新和变革,影响着人们的金融理念和借贷融资行为。作为传统金融行业和互联网技术相结合的新产业,P2P网络借贷由于其便捷性在全世界范围内得到了广泛的应用和发展,但各种问题接踵而至,严重阻碍了这一新兴产业的长远发展,尤其是借款者信用风险评估与管理问题。针对P2P借贷平台主要面临的借款者信用风险评估问题,本文在现有研究的基础上,采用机器学习方法,系统的提出了借款者违约预测和违约者违约损失率评估的两步法模型。致力于从平台角度出发,在保证风险的前提下,最大化其收益。第一步对借款者进行违约与否的预测。基于前期文献研究,本文对lending club平台借贷交易样本数据,采用了逻辑回归、支持向量机、随机森林、提升树等机器学习模型,并构建了以逻辑回归、随机森林和提升树为基学习器的Stacking集成模型。在常用模型评价指标准确率和AUC值的基础上,提出了利润分数的评价指标。通过样本SMOTE不平衡处理和模型对比,得出Stacking集成模型准确率高达89.74%,AUC值最高为0.7510,并具有7079.24亿美元的利润分数收益,在上述几种机器学习模型中性能最优。第二步对预测出的违约者进行违约损失率评估及违约损失率影响因素分析。基于违约者违约损失率偏锋分布的特点,对第一步中预测出的违约样本,采用最近邻回归、回归树、随机森林回归和提升树回归四种机器学习回归模型,得出提升树回归模型拟合度最高为0.3130,且均方根误差和平均绝对误差最小,分别为0.1220和0.0819,模型性能最优。然后针对违约样本贷款项目信息、借款者基本信息、财务状况和信用记录四类变量,每次减少一类进行四个提升树回归模型实验,通过R方、均方根误差和平均绝对误差的改变量得出,贷款项目信息、借款者信用记录、财务状况和基本信息四类变量对违约者违约损失程度的影响逐渐降低。本文提出了利润分数的违约预测模型评价指标,可以从实际收益的角度衡量模型的性能。提出的信用风险评估两步法模型,不仅可以采用Stacking模型对借款者进行违约与否的预测,还能采用提升树回归模型,对预测出的违约者做进一步的违约损失评估,指导平台根据违约损失率的大小做精细化风险管理,实现该行业的长远发展。