信用作为当代的“经济身份证”,是社会经济发展的必然产物,建立完善的信用评价体系有助于为银行等金融机构提供精确的客户“画像”,方便金融机构等为其客户提供相应的金融服务,有利于推进社会信用体系建设,防范信用风险,提高金融资源配置效率。随着数据挖掘技术和机器学习算法的发展,数据驱动下的信用评价方法推动着信用评价技术的进步,构建更高效、更稳健的信用评价模型成为当下研究的热点。为确定信用数据集中影响信用风险评估的重要特征,完善信用评价特征工程建设,建立高效稳健、泛化能力强的信用评价模型,本文针对信用数据集样本量大、特征维度高、类别比例不均衡的特点,通过对信用数据集进行特征工程等处理筛选出合适的特征变量,得到供模型训练的入模特征及训练数据集,优化了信用评价模型的建模过程。本文将Boosting与Bagging集成思想相结合,构建了以XGBoost模型为基学习器的Bagging集成信用评价模型(B-XGB),通过与逻辑回归、GBDT、随机森林和XGBoost模型进行实证对比,发现所构建模型的性能表现在一定程度上得到提高,集成模型在对“好”、“坏”客户判别预测中具有较好的表现。通过结合不同的采样方法对信用数据集进行均衡化处理,发现与不同采样方式相结合的方法能够有效提高模型对“坏”客户的甄别能力,具有较高的召回率水平,对于信用风险的防范具有一定的指导作用。