随着当代经济与技术的高速发展,越来越多的信用消费涌现出来。在这一发展前提下,各个银行的个人信贷产品种类与个人消费信贷规模都在快速的增加,如何构建有效的个人信用评分指标体系,进行有效的个人信用评分,进行信用风险管控极为重要。在消费信贷中个人信用风险受到很多因素的影响,具有很强的不确定性,是当前商业银行面临的最难管控的风险挑战之一。目前使用的个人信用评分模型是通过采用数据挖掘的方法,充分挖掘申请者的历史信用信息,对影响个人信用情况的指标进行综合分析,可以基于个人信用状况对个人信用风险进行预测性分类,是商业银行管控个人信用风险的重要方法之一。因此,本文以个人信用评分模型的指标体系为研究对象,结合实证数据研究分析个人信用评分指标体系中对是否违约有显著影响的指标,并以此为出发点,先使用Logistic回归模型进行指标选择,并在Logistic回归结果的基础上运用特征选择中的过滤式方法的最大信息系数（MIC）进行第二次指标的选择,以达到剔除冗杂、无效数据的目的,以提高模型的准确度,以此来构建更有效的个人信用评分指标体系。而且用神经网络与决策树模型对提取指标前后的指标体系进行有效性检验,验证提取前后指标是否更有效。Logistic回归模型在40个指标中选取了23个指标,但是根据结果分析,部分指标仍与是否违约存在减弱的相关性,所以进行了第二次指标选择,最终选取了10个对是否违约影响显著的指标,而且选取出的指标也符合实际情况。分别用神经网络与决策树模型对提取指标后的个人信用指标体系中的指标进行有效性检验时,两种方法的检验结果显示准确率与精确率均有明显的提高,说明提取指标后,个人信用评分模型的分类效果良好。