随着我国信贷业务的逐年增加,金融机构和地方经济得以蓬勃发展,但也伴随着信用风险的不断增长。为了有效规避风险,减少客户误判导致的银行亏损,我们需要探讨更优的方法来对个人信用进行评估。本文选取Lending Club公司2018年的贷款数据作为原始数据,结合国内外文献和信用评估构建准则,建立指标体系并据此确定了50个变量。研究内容主要包括两方面:第一,针对指标体系中特征选取的问题,本文创新性的将主成分分析法和Relief F法相结合,用于个人信用评估的特征降维问题,既解决了变量的信息冗余,又考虑了每个特征对类标签的识别能力,有效提高模型的分类精度。运用PCA-Relief F法将变量维度降至20,在一定程度上降低了模型的复杂度。第二,针对信用评估数据的不平衡问题,本文创新性的对经典的SMOTE算法进行改进,提出新的过采样算法,本文称之为MS-SMOTE(Synthetic Minority Oversampling Technique in Multiple Situation)。该算法用核距离替代欧几里得距离,使线性插值更加合理,并根据少数类样本的分布情况,采用不同的插值规则,合成新的少数类样本来改变数据集的不平衡度,有效提高少数类的分类精度。本文采用Xgboost、Light GBM和Catboost三种Boosting算法,验证MS-SMOTE算法的优势和有效性。结果表明,MS-SMOTE算法不仅可以提高少数类的分类精度,还有效的降低了模型的过拟合现象,体现了该算法的可行性及推广价值。在MS-SMOTE算法下,本文还验证了PCA-Relief F在分类问题中的优势所在。结果表明,PCA-Relief F可以提高模型的分类性能,体现了该方法在分类问题中的使用价值。