P2P网络借贷行业作为互联网金融行业最重要的分支,满足了投资者和借贷者的多样化求,提高了闲置资金的使用效率。P2P行业的发展经历了萌芽期、快速增长期、爆发期,其中也暴露了许多的问题,比如坏账率居高不下、平台倒闭、非法集资等。不过,随着政府的介入、平台的加强管理以及社会对投资资金的安全保障和借贷信用风险的控制越来越关注,P2P网络借贷行业开始进行了严格管控,行业发展逐渐走向正轨,变得越来越规范化。但是值得注意的是,政府和平台一般将风险控制的重点放在了贷款申请阶段,对于贷后风险的监管存在欠缺。因此建立有效的P2P借贷违约风险预测模型对于提升平台的风控能力和促进行业的健康平稳发展有重要意义。本文首先对P2P网络借贷业务的起源、发展情况以及现状进行了说明,分析了行业存在的问题,并对所采用的数据处理的方法以及涉及到的数据挖掘模型进行了简单的阐述,包括其原理和特点。然后,以Lending Club公开的数据集为研究对象,进行了数据收集与整理,对数据集中的借贷记录进行了数据清洗与特征工程,为后续建模做准备。对清洗后的数据集建立逻辑回归模型、SVM模型、极端随机树模型,每种模型都会选择几种不同的参数进行建模,然后根据精确度、召回率以及F1统计值作为评估指标对不同参数的模型进行评估与比较,从而获得该类模型的最优参数。最后,以这几类模型的最优参数模型为基模型、以GDBT为第二阶段模型,采用Blending集成学习的算法,建立最终的贷款违约预测集成模型。本文研究结果最终表明,将改进的欠采样与数据挖掘模型相结合,构建P2P贷款违约风险识别与预测,能够有效甄别出违约信用风险,且Blending集成学习算法的学习效果要优于其他单一模型,对风险的识别与控制提供较大的帮助,为我国P2P网络借贷行业未来发展的方向以及关注的重点提供了有益的参考。同时,本文建议个人以及企业的征信数据的部分数据在特定行业范围内进行共享,为贷款风险识别提供有力支撑,这样也就提高了平台的风控能力,降低平台信用风险管控成本,促进行业健康发展。