2020年疫情的影响,我国的信贷规模快速增长;规模的增加随之而来的就是信用风险的增加。因此,采用新的方法来研究个人信用评价问题是很有必要的。本文结合实际业务的情况,采用了一个新的评价指标F-beta值,即在准确率与召回率融合时给予回率更多的权重。研究内容如下:(1)常用解决样本不均衡问题的方法是SMOTE算法构造新样本使样本均衡;本文给出了一种新的尝试,由于逾期数据少,未逾期数据多;我们可以把二分类问题转化成单分类问题,也就是异常值检测问题。利用阴性数据训练一个分类器得到一个界限;超出界限的就是阳性数据。(2)参数选择方法有经验法,遍历法两种。这两种方法在调参效果与运行时间上面各有优缺点;经验法可以根据以往的经验快速得到参数具体值,但是经验法有一个明显的缺陷,那就是无法得到最优的参数组合。遍历法可以得到最优的参数,但是其时间成本非常高。在这两者方法的优缺点上做一个折中,即这种方法的调参效果比遍历法稍差,减少时间成本。贝叶斯参数优化基于此而设计的。本文通过多个对比,单个模型的性能比较、同一模型在不同种优化算法下的性能、以及与其他机器学习算法的比较,最后得出结论。此外,还对变量进行特征重要性分析,找出对逾期影响最大的前五个变量进行分析,给出建议。