如何利用大数据精准地评估企业的授信水平，建立信用评估模型对于金融机构有着非常重要的意义。相对于大中型企业，小微企业财务信息不完善，又没有大中型企业有明显的资产和品牌背书，使得小微企业授信更为困难，因此，小微企业向金融机构贷款总是举步维艰。然而，小微企业在实体经济中具有不可或缺的地位和作用。如何改善小微企业的融资环境，建立精准的小微企业信用评估模型，不仅对金融机构，而且对于小微企业都是非常重要的。　　常用的机器学习模型，虽然能够建立起信用评估模型，并识别出授信与否的结果，但无法解释每一个相关变量，对于授信与否是正向还是负向的作用。本文在常用的随机森林模型基础上，组合了非参数变量选择的方法，并且通过半参数Logistic回归模型对机器学习的分类结果做出进一步的解释。　　实证结果表明，非参数变量选择与随机森林模型结合的方法能够改善普通机器学习模型的性能，并且能够加强机器学习模型的可解释性。使用局部常数最小二乘法(LLLS)进行特征选择对分类器平均精确度的提升在1.6％以上，并且随机森林的分类性能要明显优于其他分类模型。根据随机森林训练过程中各指标对于总体分类结果的影响程度分析，以及非参数Logistic回归模型线性相关变量系数的求解，得出应纳税额、上期授信额度与小微企业授信水平呈线性正相关关系，并且相关性较大;电量、资产负债率与小微企业授信水平呈线性负相关关系，并且资产负债率对于授信水平的相关性大于电量;非线性变量中，人社养老单位应缴余额与销售收入对于小微企业授信水平的相关程度较大。