随着P2P借贷业务在我国飞速发展,众多P2P平台出现了坏账率过高甚至平台跑路的现象,这些现象的出现是由于P2P平台没有对投资者个人信用风险有效评估造成的。当前P2P平台使用的个人信用风险评估模型主要是基于单一模型所构建的,分为以逻辑回归模型为代表的传统模型信用风险模型和以决策树等机器学习为代表的新兴传统模型,但前者有着模型精度不足等问题,后者有着模型稳定性不高等问题。鉴于此问题,本文通过数据挖掘技术,探究P2P个人信用风险模型的优化。本文通过“宜人贷”平台的11017条借贷数据,在进行数据预处理和变量分析之后得到9206条借贷数据和110个借贷变量,对逻辑回归模型、SVM类模型和决策树类模型分别进行模型训练。通过模型预测后,将模型训练效率和模型预测效果的指标进行综合评估,选出模型评估较好的单一数据挖掘模型(XGBoost模型和逻辑回归模型)。在第二阶段,将XGBoost模型和逻辑回归模型进行Stacking模型融合,得到最终的模型优化形式,载进行模型训练和模型预测。完成了数据挖掘技术对P2P个人信用风险评估模型的优化。通过本文研究,我们还得到了研究结论和对P2P平台、投资人和监管者的研究启示。