近几年我国的不良贷款余额和不良贷款率持续升高,风险控制将直接影响金融行业的发展与稳定。贷前风控是风险控制的第一道防线,在贷款前预测贷款人是否会违约能有效降低贷款人违约带来的损失。传统的贷前风控依靠人工审核,即人为主观判断是否予以贷款,这种方式在实时性和准确性上无法满足业务需求。随着大数据,统计学,机器学习的发展,利用风控建模的手段解决风控问题成为主流。通过对用户数据进行分析建模,可以精准高效地预测违约用户,减少不良贷款的发生,降低企业损失,助力金融行业蓬勃发展。本文利用Lending Club贷款平台提供的数据集,首先从平台的维度和客户的维度对数据进行可视化分析和分组描述统计分析来认识数据,再进行数据清洗,对清洗后的数据进行特征选择。在特征选择阶段主要使用递归特征选择实现特征的降维,得到最终参与建模的特征个数和最优特征子集。针对样本中出现的违约样本和未违约样本的不平衡问题,分别采用过采样,欠采样和混合采样方法,比较不同采样方法在随机森林,GBDT,XGBOOST和LightGBM上的预测性能,并选择预测性能最好的采样方法,在此采样方法下将随机森林,GBDT,XGBOOST和LightGBM进行Stacking集成,将Stacking集成结果与单个的模型进行预测性能上的比较。本文得出的结论是:（1）使用特征选择,降低了特征维度的同时使模型达到了较高的预测性能,为贷前风控指标选取提供了参考。（2）不平衡样本处理中TomekLinks欠采样方法在随机森林,GBDT,XGBOOST和LightGBM上AUC值和F1值均最高,进而选择TomekLinks欠采样解决样本不平衡问题。（3）将随机森林,GBDT,XGBOOST和LightGBM这四个模型进行Stacking集成后的模型效果与四个单个模型对比,发现Stacking集成的精确率,召回率,F1值和AUC值均优于四个模型,验证了 Stacking集成的优越性。