信贷业务是金融机构中的一种简单而普及的业务,随着互联网金融的快速发展,如何评估从而有效地降低这类风险变得越来越重要。在实际业务场景中,有些信贷预测问题存在的有标签数据较少,直接进行监督学习的预测效果较差。本文将自学习算法应用在该问题中,尝试借助大量无标签数据的信息来提高在少量有标签数据上的预测效果。自学习算法不要求有标签数据和无标签数据服从相同的分布,本文分别尝试了同分布和不同分布的情形。本文以两组数据为例进行实验,数据均来自于DC竞赛。一组是某银行机构提供的信贷违约数据,有标签数据和无标签数据服从同分布,另一组是厦门国际银行提供的实际业务场景中的信贷数据,有标签数据和无标签数据服从不同分布。本文使用的是自学习算法,将自学习算法直接应用到信贷结构化数据中,模型的预测效果不如基模型（监督学习）的预测效果好。为了提高模型的预测性能,尝试对自学习算法进行改进,初次改进后的模型分别基于有标签数据稀疏自编码、有标签数据和无标签数据一起稀疏自编码。固定无标签数据量时,不断调整有标签数据量,初次改进后模型的预测效果随着有标签数据量的变化而变化,且预测效果不太理想。之后,对模型进一步改进,将有标签数据编码得到的数据作为衍生数据,将衍生数据和原数据放在一起进行建模。在有标签数据量较少时,进一步改进后模型的预测性能要优于基模型的预测性能。