近年来,伴随着消费信贷业务的高速发展,给商业银行等金融机构带来了巨大的信用风险。怎样规避信用风险是一个重要课题。在我国,个人信用评估模型的研究与开发才刚刚开始。本文将探索性地构建科学的信用评估体系。本文研究集成分类器在个人信用评估领域的应用,利用集成分类器高分类精度和能度量特征变量重要性的特点,对传统的信用评估模型进行改进和创新。本文的创新点有三个：一是以分类的角度,利用集成分类器分别建立了信用分类模型；二是利用信用评估的特殊性,提出了改进的随机森林和Boosting模型,有效地降低了第一类错误；三是利用随机森林和Boosting,结合我国的信用评分模式,分别建立了一套基于集成分类器的个人信用评分指标体系。本文讨论了常见的单分类模型和集成分类模型,前者包括判别分析,K-Means算法,最小近邻算法,Logistic回归和决策树方法,后者包括Bagging,随机森林和Boosting,分别利用它们建立了个人信用分类模型,用独立测试集估计泛化误差,证实在综合分类效果意义上,集成分类器比单分类器要优秀。针对信用评估的特殊性,本文还提出了改进的集成分类模型。基于集成分类器的个人信用评分指标体系,是利用集成分类器具有识别变量重要性的特点来量化每个评估指标的权重,然后用风险度量值来量化指标中每个取值的分数,最后构建了新的评分体系。实证分析表明新体系在对客户进行信用评分的同时,也能够识别信用风险和分类,在分类效果上,要优于任何一种单分类器和集成分类器,新的信用评分指标体系具有很好的可行性和有效性。