在信贷场景中,用户的信用评级一直是一个很关键的环节,传统的信用评级一般都是使用逻辑回归模型,建立信用评分卡,对用户的信用进行一个评分。逻辑回归模型具有模型简单、易于展示、分类效果好等优点。但是因为逻辑回归是线性模型,对于用户提供的信息中包含的非线性因素可能无法完全提取出来。也就是说,在逻辑回归预测的基础上,我们还有一定的提升空间。随着互联网的兴起,信贷行业的竞争变得尤为激烈,如何更加准确的通过良好的用户是信贷行业都在关注的一个问题。随着机器学习的热度提升,使用机器学习的分类模型来解决这个问题成为了一个热门的方向。本文中我们使用的是目前来说在解决分类问题的情况中最为有效的模型,XGBOOST模型,我们在第一章中会介绍信用评分卡的知识;在第二章中,会介绍传统逻辑回归模型的原理;在第三章中,我们会介绍XGBOOST模型的原理;在第四章中,我们会讲解如何评估模型的优劣;在最后一张,我们会进行数据的实测。最后我们发现使用XGBOOST模型的预测效果是要优于逻辑回归模型的。但是由于XGBOOST模型不像逻辑回归模型那样可以输出一个简单的信用评分卡。因此在实际应用中,我们针对需要评估的用户首先使用传统逻辑回归模型建立的信用评分卡进行评分。对于评分较低被拒绝贷款的用户,我们从中挑选出分数相对较高的,使用XGBOOST模型进一步判断是否存在违约风险。