信用贷款作为当前被大众接受最广的一种贷款模式,其发展规模不仅决定了金融机构的资金发展水平,同时也为客户生产生活提供了巨大的便利。信用贷款作为常用贷款模式,客户征信好坏显然已经成为金融机构判断是否为其发放贷款的核心标准。如何通过算法构建高效、准确的评估模型来判断客户违约的可能性是亟待解决和优化的问题。本文对于个人信用评估模型的构建主要从信用数据不平衡和集成模型构建两方面作改进和优化。并通过公开的UCI信用数据集进行算法和模型的性能验证,为金融机构风险防控水平的发展献上绵薄之力。首先对于数据处理方面,金融机构获取的客户信息数据是多样的,也是不平衡的。针对数据不平衡的问题,本文在传统不平衡数据处理方法SMOTE算法的基础上,提出了改进的阈值合成少类过采样(Ts-SMOTE)算法,通过距离阈值选择合适的少类近邻样本或多类近邻样本进行新样本的合成。实验中,将该方法用于单个Xgboost预测模型的构建上,实验结果表明,本文所提算法相较传统SMOTE算法获得了更高的G-mean值、F-value值,验证了本文所提算法对不平衡数据处理的有效性。其次对于模型构建方面,本文选择了以Xgboost作为基模型的构建,根据前学者的研究发现,集成模型相较于单一模型来说,有分类精度高,稳定性也优于单一模型的优点。针对基模型差异性的问题,本文在数据平衡的基础上,设计了基于特征选择的Bagging集成模型BXgboost模型,即将数据进行特征分类,并分别基于Xgboost模型对这些特征进行基模型设计,期间通过Xgboost的参数扰动加大模型之间的差异性。实验结果证明,BXgboost模型较单一的Xgboost模型各方面性能均有所提升。最后,本文在模型BXgboost的基础上提出了混合集成模型PBX,即对数据集进行分区的方式分别进行模型训练,然后通过粒子群优化算法(PSO)对BXgboost得出的多个基模型进行寻优操作,最终结果由每个基模型的预测结果乘以相应权重得到。实验最后,通过和其他模型性能作比较,表明本文提出的PBX模型在各个分区的Ⅰ型误差和Ⅱ型误差均低于其他模型,且模型最高准确率达到了81%。