信用评分问题是信贷领域的核心问题之一。近年来随着信贷业务的蓬勃发展,信贷客户数量高速增长,客户组成也日趋复杂,这给金融部门的风险控制能力提出了更高的要求,也促进了信用评分领域的进一步研究。本文基于机器学习方法,针对信用评分问题提出了改进的GBDT-LR融合模型。改进的GBDT-LR融合模型利用改进的梯度提升树模型进行特征变换,并使用改进了逻辑回归模型处理变换后的特征,最终输出客户的信用评分。对于梯度提升树的改进,本文提出了一种新的自适应缩减因子,能够有效保证梯度提升树模型中基模型的稳定性;同时,不同于常见的直接使用梯度提升树模型的输出值,本文保留了梯度提升树模型中基模型的结构,将每个基模型的输出进行编码,最终达到特征变换的效果。对于改进的逻辑回归模型,本文引入自适应Lasso方法对逻辑回归模型的参数空间进行约束,可以采根据具体样本集自适应地调整Lasso方法的参数,进而达到减少过拟合,降低维度和提高模型稳定性的作用。本文使用随机生成数据集和真实信贷数据集对改进的GBDT-LR融合模型进行了验证,并与传统的逻辑回归模型、未经改进的GBDT-LR模型、人工神经网络模型进行对比。随机生成数据集上的结果表明,改进的GBDT-LR融合模型在线性可分数据集的效果略优于其它模型,在非线性可分模型上的表现明显优于其它模型。真实信贷数据集上改进的GBDT-LR融合模型的AUC值为0.7501,KS值为0.3768,同样优于其它模型。这说明改进的GBDT-LR融合模型在信用评分问题中有着更好的效果。