在信贷领域,数据挖掘技术已被多次应用于客户个人信用评估模型当中,而使用最多的数据挖掘技术之一就是分类技术。前面已有学者研究指出通过使用特征选择算法(Feature Selection,FS)和组合分类器可以有效改善信贷客户个人信用评估系统的性能问题。在这一领域,现需要研究的主要问题是如何通过协同参数调优,使得特征选择算法和组合分类器的混合模型性能最优。本文基于三个实验阶段提出了一种混合数据挖掘模型,实现特征选择算法和组合分类器的最优组合。第一阶段是信用数据采集和数据的预处理。第二阶段,实验将在信用数据集上进行四种特征选择算法建模,包括遗传算法(Genetic Algorithm,GA)、主成分分析(Principal Component Analysis,PCA),信息增益率以及Relief属性估计函数算法。在本文中,支持向量机(Support Vector Machine,SVM)分类算法的准确率将作为特征选择算法参数设置的基准。在对特征选择算法参数调优后,将其输出的特征子集分别作为常用分类算法和组合分类算法的输入进行建模。在该建模阶段,通过组合对比实验选出性能最优的特征选择算法和特征子集。在最后的实验阶段中,分别在最优特征子集上使用常用分类算法和组合分类算法进行建模。实验结果显示,第二阶段中PCA算法明显优于其他特征选择算法,在第三阶段中,分类结果显示人工神经网络(Artificial Neural Network,ANN)和AdaBoost(Adaptive Boosting)的组合方法有着更高的分类准确率。最后,本文基于前述三个阶段提出并验证了一个基于PCA和ANN-AdaBoost的混合数据挖掘模型,该模型在个人信用评估应用上具有有效性和鲁棒性。