随着互联网金融的发展,人们对于借贷与投资不再单纯的满足于传统的银行等金融机构,而是渐渐转向更加方便快捷的网络借贷,P2P网络借贷就作为重要的一部分支撑着人们借贷与投资的需求,在这种大背景下,个人信用显得尤为重要,信用风险也成为各大网络平台不可忽视的最大风险。本文聚焦于个人信用风险评估,选择集成分类器随机森林和误差反向传播神经网络来搭建信用风险评估模型。随机森林算法能够提供较高的分类精度,而且不容易产生过度拟合,有着较高的稳定性,对于特征维度较高且类型不一纷繁复杂的个人信用数据来说,随机森林算法相比于传统单分类器模型能够更好的处理信贷风险评估问题。误差反向传播神经网络具备强大的学习能力,对于复杂的个人信用数据也能提供较高的分类精度,缺点就是稳定性比较差。本文利用美国Lending Club公开数据集,通过一系列数据清洗、转换、筛选等预处理方法,分别构建了基于随机森林和BP神经网络的个人信用风险评估模型,并与Logistic回归模型作了简单的对比,发现三种模型在信贷风险评估方面各有优劣,进而将三种模型通过投票的方式组合成新的模型并用来建模,结果发现分类效果好于三种模型单独的效果。随后还试验了不同的重采样方法对模型效果的影响,结果发现上采样方法对于这类样本不平衡问题有着不错的效果。同时,本文还存在着许多不足,在特征选择和分类精度等方面模型还有进一步提高的空间,在以后的研究中还有待进一步的改进与完善。