进入21世纪后,个人信用贷款已成为一种极具普及性的国民消费方式。除了传统的商业银行,一些具备相应资质的互联网金融机构也进入该领域,使得我国个人征信市场朝着更加多元的方向发展。目前,个人信用评估的方法主要涉及统计学,运筹学,非参数分析法以及人工智能等领域。随着相关领域研究的深入,基于单一方法的模型已经在行业内被广泛利用。但由于单一模型提升空间有限,使用多种方法融合的组合模型成为了新的研究热点。采用合理的组合方式在一定程度上可以克服单一模型的缺点,还能够使基分类器优势互补。因此本文就个人信用评估问题,对单一模型和组合模型分类效果展开了研究。本文选择了统计方法中的Logistic回归及人工智能算法中的SVM模型作为基分类器。首先对原始数据进行预处理,如采用KNN补齐缺失值,识别并处理异常值以及数据标准化。其次本文利用SMOTE算法对个人信用数据中存在的类不平衡问题进行处理。在实证研究部分,本文利用Kaggle平台提供的个人信用评估项目数据集建立了单一模型以及采用串行和并行两种方式建立了组合模型。组合模型的构建过程中,对SVM算法采用sigmoid转换将决策值以后验概率的形式输出,再与Logistic回归有机结合。本文采用准确率、两类错误率及AUC来衡量模型的效果,用验证集与测试集的分类精度差值评估模型的稳健性。通过实证分析得出,相对于单一模型,组合模型更加具有优势,其中并行组合模型在个人信用评价中效果最佳。对比单一模型,组合模型不仅在总体准确率上略有提升,对将真实为违约样本判定为未违约样本的错误类型得到了较好的控制,此类错误的改善在信用评估有着重要的价值。就单一模型而言,SVM模型的分类效果更好。从稳健性上来看,测试集与验证集整体水平相差不大,单一模型和组合模型都具有较好的泛化能力。其中,SVM模型测试集与训练集的分类准确度相差最大,稳健性略低于其他模型。Logistic回归的稳健性最好。