我国互联网金融的兴起和发展,呈现出各式各样的金融业务模式和运行机制,同时也存在着客户信用风险问题,急需金融公司通过完善个人信用评估和管理来降低信用风险。本文基于某信用评级机构丰富海量的客户信用历史数据,原始数据集中包含了客户的个人基本信息、个人的经济情况、信用因素、个人信用的数据（逾期类型和非逾期类型）。其中我们把个人信用的数据作为目标变量,个人基本信息、个人的经济情况、信用因素作为特征变量来对个人信用评估进行研究。首先结合已有的个人信用研究成果建立了个人信用评估指标体系,然后通过对数据缺失值的填补与删除和对样本不平衡数据的预处理,抽取得出的样本再细分为80%的训练集和20%的测试集,用训练集样本建立了神经网络、随机森林、AdaBoost、Logistic四种信用评估模型,训练得出的特征重要性高于0.01的指标用来评估个人信用,用测试集数据对这四种模型进行了验证与综合评价,最后,结合F-Score和准确率,发现AdaBoost和随机森林的F-Score值相近,接近17%,但是随机森林模型准确率达到79.44%,所以本文选取随机森林作为个人信用评估的模型,用随机森林选取的17个特征评估个人信用。在对结果的分析中,得出了收入水平越低、婚姻状况越不稳定、无担保等特征违约概率高;信用卡账户的状态为正常、有公积金等特征违约概率低等结论。本文的不足之处在于这四种机器学习算法的召回率都偏低。最后本文给出了降低信用风险的建议。一是要建立完善的个人信用评估体系;二是在政府方面和互联网基础设施方面要对失信者予以制裁,以此来助力P2P产业的健康发展。