网络借贷是一种通过互联网技术,从而实现个体和个体之间的借贷方式。这种借贷方式自诞生开始,就饱受争议。一方面它突破了传统银行借贷对于时空的限制,同时其审核程序相对来说要更加简便,对于当前缓解个人和小微企业资金链的需求有着至关重要的作用;另一方面,由于P2P平台自身的特点,在出借的过程中基本上没有第三方的参与,出借人对于借款人的信息掌握程度取决于平台的审核力度,一旦出现大范围劣质平台的挤兑、暴雷问题,会导致劣币驱良币的后果,甚至会给我国的整个金融稳定和秩序产生十分不利的影响。由此可见,为了网络借贷的良性发展,需要建立一套合适有效的信用评估模型,从而实现降低借款人违约概率发生的风险。在参考了国内外相关论文的研究思路后,本文将从宏观角度和微观角度,对美国最大的借贷平台公司lending club进行数据分析和建模。首先,从宏观的角度,本文分析介绍了平台的运营状况以及风险控制状况,其次从微观的角度出发,以lending club2017-2019年的数据作为用户画像分析的基础数据,试图从描述性分析的角度绘制出普通用户和违约用户的画像特征。最后本文结合当前机器学习的方法,选定lending club中2019年全年度的数据进行建模分析,在完成了数据清洗和特征选择后,找出对违约率可能有一定显著影响的特征,对特征采用卡方分箱的方法来处理,并将处理后的特征值带入机器学习模型,计算并比较单一逻辑回归和集成方法下逻辑回归模型的AUC和F1值,从而找出能够提升预测效果的方法。本文参考实际业务的数据分析流程,从可视化分析逐步进行到建模预测,通过实证建模证明,对于特征采用分箱的方法来处理,同时选择较强的机器学习模型作为初级学习器模型,结合stacking集成策略能够有效的改进单一逻辑回归模型的预测效果。希望这一分析流程的探讨,以及部分特征的数据处理方法,能为改进风控预测模型提供一定的参考意义。