互联网金融在信贷领域的应用因其更倾向于为个人消费者提供小额贷款业务,且服务更方便快捷、交易成本更低、覆盖群体更广、用户门槛更低等特点实现了空前发展。用户欺诈、用户高不良率等问题也随之而来,如何根据用户信息挖掘出更准确的用户风险评估模型也成为一个广泛讨论的课题。本文以个人信贷申请风险评估模型为研究对象。考虑到拒绝推断问题对信贷模型产生的有偏影响,创新地将半监督学习Co-forest算法作为主要学习模型;针对Co-forest算法中不同泛化能力的基分类器（随机子树）拥有相同的投票权重,提出将各子树按照其对于每类的预测概率加权投票的方法,即加权Co-forest算法,并通过实证分析验证优化后的模型性能有所提升。以银联商务信贷逾期数据作为实证数据,经过以随机森林回归填补缺失值、变量相关性诊断和互信息法MIC值进行特征选取、数据归一化等一系列预处理工作后,采用卡方检验等统计学方法对数据从身份财产特征信息、持卡信息、交易信息、放款信息、还款信息和申请贷款信息等六个维度进行探索性分析;接着分别在10%,30%,50%,70%,90%等不同贷款申请拒绝率的条件下,对全维度特征建立传统Co-forest模型、加权Co-forest模型、支持向量机、随机森林等机器学习模型,采用AUC值、KS值、“好”“坏”客户误分率等指标从模型准确性、类别区分能力和误分代价三方面进行模型对比,结果显示加权Co-forest模型性能优于传统Co-forest模型,且明显优于随机森林和SVM模型。为增强Co-forest此类所谓“黑箱模型”的可解释性,单独对各特征维度分别建立Co-forest模型,通过各特征维度的分类效果评估得出以下结论:在影响个人信贷风险评估模型的各特征维度中,重要性从大到小依次是:交易信息、放款信息、还款信息、申请贷款信息、持卡信息以及身份财产特征信息。