P2P网络借贷平台,简称P2P,是互联网金融的一种重要形式。P2P作为一个平台连接了两类群体,一类群体需要筹集资金,另一类群体有闲置资金需要投资机会。2008年金融危机后,人们很难从银行申请小额度的信贷贷款,而小微企业也很难得到传统投资者的青睐。这一现况使得借贷市场产生了巨大的小额度信贷需求,而P2P迅速地填补了这一空白。P2P以其低成本、低门槛的特点迅速发展,成为小额信贷和民间借贷的重要渠道。然而,P2P面临的关键问题之一是缺乏丰富的传统金融客户信息、健全的信用报告体系、有效的信用评估,造成违约风险明显高于传统金融机构。因此,如何通过数据建立有效的贷款违约风险评估模型,对P2P网络借贷平台具有重要意义。违约预测模型的目标是预测借贷人是否会违约,这是P2P公司生存的关键。大多数研究试图通过改进分类方法来提高模型预测的精度,而不考虑数据集中存在缺失值的情况以及数据不平衡的问题。在本次研究中,我们将重点放在如何处理数据集中的缺失值和解决数据不平衡问题,希望通过数据预处理来提升违约预测模型的性能。本文中我们提出了一个新的缺失值填补方法,首先用贝叶斯方法将类别型特征从无序映射成有序,然后计算每个类的类中心、标准差和样本距类中心点的平均距离,利用这些统计值进行后续缺失值填补。对于如何处理数据不均衡,我们采用将聚类、随机灵敏度测度和径向基函数神经网络相结合的混合欠采样方法。本文利用34个UCI机器学习库的数据集(包括15个特征均为连续值的数据集、11个特征均为类别型的数据集和8个变量即有连续型特征又有离散型特征的数据集),以及中国某P2P网贷平台的真实贷款违约数据,验证了我们使用的方法的有效性。