从2005年以来,以Zopa为代表的P2P网络借贷模式在欧美兴起,这个模式就迅速在世界范围内推广开来。与西方国家的P2P行业相比较,我国在P2P行业劣势在于过往没有完善的个人征信系统,大多数的P2P行业都是用银行收集到的客户数据做个人信用评分,并没有真正的体现出P2P行业的特色,本文将某P2P公司数据作为依据,对借贷个人信用进行指标选取与信用风险评估。首先,本文使用“逐步回归法”及“Boruta法”进行组合对定量变量筛选,对定性变量用“IV信息价值”进行处理,在能够保证模型精确率的情况下,达到客户需要填写的指标减少的效果,进而提高用户填表的满意度,同时减少平台运营成本。其次,用某P2P公司借款人经过处理筛选得到的相关指标数据,包括用户基本属性、职业信息、银行流水记录、信用卡账单行为、借款信息、用户浏览行为这六大类信息,通过决策树、BP神经网络、BP-Adaboost以及随机森林这四种机器学习对借款人违约情况进行实证,计算得到决策树、随机森林、BP-Adaboost的精确率分别是80.51%、81.8%、85.68%、89.01%。最后,本文结合精确率、错误率、ROC曲线等评估指标进行分析,实证结果表明:指标经过筛选之后其建模效果有明显的提升,其中BP-Adaboost实证效果最好,精确的识别了“好坏”客户。本文选出了影响借款人信用的评估指标与评估方法,并对指标的重要性进行了说明,利用该方法能够有效识别“好”客户与“坏”客户,为P2P平台放贷提供依据,有利于P2P行业更好发展。