在资本市场总体低迷和理财产品打破刚兑的背景下，个人和中小企业的投融资需求较难从传统金融机构得到满足，导致了网贷行业的爆发式增长。然而网贷行业的飞速发展也伴随着风险事件的频发，监管机构为规范网贷行业，督促平台积极备案，完善平台退出机制，同时构建信用信息共享平台，打破信息孤岛。在这种情况下，提高科技水准将成为网贷平台构建核心竞争优势的重要出发点，而其中最重要的就是风控。大数据时代，互联网井喷式增长的海量行为数据，成为当下信用风险评估中新的数据来源。传统信用评估方法的短板逐渐显现，而运用机器学习技术则能更加快速、准确地识别借款人的违约行为，成为目前的研究热点。
　　本文针对网贷借款人的违约行为预测问题，梳理了传统的信用风险评估方法和目前火爆的机器学习方法的相关研究文献，探讨了这两类方法的实际应用情况。在对某公司机器学习建模大赛提供的真实数据进行描述性统计分析后，就缺失值、异常值等问题进行了数据清洗，就借款人的行为信息、消费数据和历史查询记录等方面进行了特征构造与筛选;随后选取逻辑回归、神经网络和XGBoost三种方法构建违约预测模型，使用AUC值作为评价指标，实验结果表明XGBoost的分类表现优于逻辑回归和神经网络;在此基础上，采用贝叶斯算法学习得到最优的加权比例进行模型融合，发现融合模型有助于提高模型的分类准确性，且三种模型的融合效果优于两种模型。此外还对预测变量的重要性进行了排序，分析表明研究行为信息和消费数据对于违约预测是有积极意义的。