随着我国市场经济的繁荣发展,人民群众日益增长的美好生活的需求要求银行、借款平台等金融机构不断适应市场要求,为用户提供更加广泛精确的业务支持。与此同时,恶意借贷等行为层出不穷,造成金融机构的重大损失。因此,我国信用体系发展战略正式提出,银行、借款平台等金融机构将目光转移到信用评价体系上,正确判别借款者偿还贷款能力、意愿、最终还款结果成为当下热门话题。本文主要研究内容为信用评价体系中的贷款问题,针对信用信息对贷款的影响进行研究与改进。目前,在银行、借款平台等金融机构广泛应用的信用评价体系是统计学方法构建的传统专家模型。此类模型在大数据时代渐渐力不从心,并且存在耗时较长、准确度较差与不能处理多种数据等问题。本文主要做了以下改进工作:针对单一模型分类能力弱的问题,改进了模型融合算法。通过Kaggle网站上提供的Lending Club公开数据集进行数据分析,数据可视化、异常值缺失值处理,正则化归一化,使用预处理的数据建立了基于Stacking算法融合模型,并且与多种常见机器学习算法模型进行对比。实验分析表明:本文改进的Stacking算法融合算法模型在各个分类指标的综合评价下,分类性能和效果表现最好,效率最高。针对机器学习模型与其它复杂学习模型等可解释性弱的问题,将基于差分优化的局部可解释性算法应用在信用评价模型中,通过常用的理解方式进行解释,实现了对于机器学习黑盒模型解释性问题的尝试,增强了模型的可信赖性和安全性。实验表明本文改进的局部可解释性算法在时间跨度上具有良好的拟合效果与稳定性。