近年来，随着信用消费经济模式的发展，人们的交易方式发生了巨大的改变。有数据表明，目前在银行等信用机构中，个人贷款的份额在不断增加，有逐年超越企业贷款的趋势，但是随之而来也会带来大量的信用风险问题。主要原因是中国目前信用评估的发展尚不成熟，银行等相关部门常常会受到欺诈现象带来的恶劣影响，因此为了快速而有效地对个人信用风险进行评估和预测，需要建立合理科学的分析模型。商业银行等机构对客户进行放贷时，对客户的一系列个人信用指标建立相应的指标体系，在已建立的指标体系上建立模型进行预测，最终希望判断出哪一种算法更能准确的预测出结果。随机森林（Random Forest）是一种基于决策树的典型分类算法，该算法的优点就是泛化能力强，不容易造成过拟合问题，同时该算法对缺失值不敏感，且具有较好的容噪能力，因此，相较于传统的单分类器算法，随机森林算法被证明是处理信用评估问题的有效算法。
　　本文提出了一个基于随机森林算法的个人信用评估模型，主要是从特征选取、数据不平衡、参数优化以及投票机制这四个方面对模型进行优化，以更准确的对个人信用进行分类。具体内容如下：
　　1、由于信用评估数据集中存在数据冗余与不平衡等问题，在数据处理阶段研究了一个两阶段特征选择算法，该方法主要是在特征选择阶段选择对分类结果影响较大的特征。采用K-Means算法进行类分解，以达到平衡数据的效果。为了减少传统随机森林算法中的两个参数n_estimators、max_features对分类结果的影响，运用遗传算法改进了K-Means算法以及随机森林算法的参数设计，提高了模型的分类性能。
　　2、引入了精确度加权随机森林模型，改善了随机森林的众数投票机制（将精确度作为每一棵决策树的权重）。选取UCI数据集中的German数据集进行仿真实验，实验结果表明了，随机森林算法相比于其他单一分类算法的效果更好，并且提出的组合优化算法在预测精度上效果更好。