互联网技术的蓬勃发展,使得大量的行业都与互联网产生了联系,网络信贷就是互联网和金融结合而产生的。区别于传统的借贷方式,网络信贷是借助于互联网平台进行借贷交易等相关操作的,这是信贷模式的一种创新。随着网络信贷在国内借贷市场上出现,在中国巨大的人口基数和日渐旺盛的融资需求下,国内网络借贷行业的规模逐渐扩大,截至2019年底,网贷行业全年成交量达到9649.11亿元同时网贷行业累计成交量约为9万亿元。但是在网络信贷迅速发展的同时,信贷风险问题也日渐突出,这对互联网信贷公司的风险控制能力提出了挑战。因此,建立一个有效的信贷风险评估模型对网络信贷公司的持续健康发展具有重要意义。本文基于网络爬虫技术从人人贷平台上收集了6000多条贷款数据,数据中包括信用额度、贷款金额、利率等46个变量。为了更好地对信贷风险进行评估和预测,首先对数据进行了预处理,包括数据的过滤、缺失值的处理以及数据的规范化处理。然后,综合利用相关系数检验、卡方检验、Lasso惩罚方法以及随机森林对相关模型所用变量进行筛选。同时,注意到数据中违约客户和履约客户存在高度不平衡,本文选用SMOTE算法处理数据的不平衡性。最后,将所考虑的问题视为预测变量违约与否的二分类问题,对处理好的数据分别考虑用Logistic回归以及三种机器学习算法Adaboost、随机森林、XGBoost进行比较分析,结果表明经SMOTE算法对不平衡数据处理后,模型预测的召回率会上升,并且三种机器学习方法的建模效果好于经典的Logistic风险评估模型,其中随机森林算法整体的评估性能最佳。同时,基于随机森林方法考察变量对分类结果重要性的影响程度,结果表明借款总额、风险等级、总信用分等变量在风险评估中较为重要。由此提示实际中网贷平台应该加强对这些重要信息的收集和利用以更好地控制信贷风险。