近年来,随着互联网技术的发展,越来越多人接受并开始通过互联网平台实现生活中的各方面需求,其中包括学习、消费、金融、医疗等。在此环境下,作为一种金融科技的P2P汽车网贷也迅速崛起。而在P2P汽车网贷平台所形成的市场中,如何降低平台与资金方的风险成为学者们研究的热点。对于贷款人所提交的大量个人信息和征信信息,以及贷款产品的诸多信息汇总到一起,经人工审核最终形成贷款订单。这样巨大的信息量无形中加大了甄别贷款人真实情况以及做出放贷决策的复杂程度,但在大数据时代下,贷款订单所形成的庞大且高维度的数据集同时也成为了通过数据挖掘技术从中发现规律并进行预测的重要工具。为减小网贷平台与资金方放贷风险,降低网贷平台对高维度的贷款人信息进行甄别做出放贷决策的复杂度与人工成本,什么样的贷款人最终可获得平台全额批复贷款或是被拒绝,是本文的研究目的。本文使用美利车金融网贷平台2015-2018年部分贷款订单数据,引入分类与预测模型中决策树和随机森林算法,使用四种算法建模,对模型进行训练与测试,并在最后比较各模型性能,选择最优的算法发现并总结其中规律,给出科学的管理建议。研究结果表明:在算法层面上,CART算法产生的模型性能最优,但随机森林模型的性能均优于单个决策树模型。通过基尼系数和精确度生成的属性重要性排序中,均在重要性前十位的属性有是否加装GPS、是否有人身保险、是否有银行预留手机号、渠道验证结果、是否有银行账号、是否有身份证号码、当前职务、工作类型,由此可见借款人的信息公开程度越大越易获得贷款批复;借款人的消费能力越高也越易获得贷款批复。将前5、10位重要属性再次通过决策树算法进行知识发现,得到规则举例如下:当贷款人不加装GPS,且没有人身保险,没有还款银行预留手机号的情况下,最终的批复结果都是拒绝的。此外,根据挖掘得到的规则发现,平台验证手段相对比较刚性,验证手段单一,可能造成客户流失,建议引入芝麻信用、度小满等多种第三方征信机构,将其对个人信用的客观呈现作为验证手段之一。