随着信用卡发卡量的增长,各种互联网消费贷的兴起,客户的信用逾期风险预测一直是金融行业研究的重要方向。在大数据时代背景之下,建立一个全方位的统一的数据平台用来整合多方的数据信息,在平台上对数据进行多维度建模,利用spark技术对数据进行处理加工。同时结合近年来机器学习最流行的xgboost算法框架,构建出信用逾期风险的预测模型。为了适应逾期记录数据的不平衡性,在xgboost算法基础之上融入代价敏感学习的思想,提出cs-xgboost算法来解决不平衡数据集上的分类问题。本文的主要研究工作如下:(1)通过对互联网行业大数据应用的成熟技术进行调研和分析,确定在使用Hadoop框架基础之上使用spark计算框架作为实验的环境,最后使用Ambari进行创建、管理、监控Hadoop集群。(2)对于数据整合模块设计,结合传统数据仓库的建模方式根据业务需求在hive上对多源数据进行分层建模,同时选择MOAI作为大数据平台上ETL处理的调度,进而完成数据整合模块的设计。(3)针对不平衡数据集上的二分类问题,提出了以代价敏感与xgboost算法框架相融合的cs-xgboost算法,并在公开数据集Data Hackathon 3.x AV进行了cs-xgboost算法分类性能的验证。使用RFE、基于随机森林的特征重要度度量等多种特征选择方法进行特征排序。在特征选择的基础之上使用随机森林和cs-xgboost进行信用逾期风险的预测,在训练集和测试集上比较算法性能。