随着信用消费概念逐渐走进人们的日常生活,个人信用风险评级需求也越来越迫切,我国商业银行个人信用风险评级仍然处于起步阶段。出于商业银行保密机制、客户隐私信息保护等原因,目前大部分研究都是基于德国、澳大利亚、英国等国外公开信用测试数据。但是我国人民的信贷消费行为、生活方式与国外有较大差别,国外数据有好的预测结果,并不意味着在我国商业银行中同样适用。因此本文针对我国商业银行信用卡客户的真实信用数据进行建模分析,得出能够适用于我国商业银行的结论。本文实验数据为广州银行信用卡客户信用数据的抽样,在数据预处理过程中,结合决策树理论,运用最优分段方法进行数据离散化。通过抽样数据实证分析表明,传统的等距分段方法在logistic回归模型中表现良好,但是在贝叶斯分类中,最优分段的变量比等距分段的更具有预测性。分类问题中必然存在错分的可能,不同错分情况产生的代价损失也不同。在个人信用风险评级问题中,将“正常”客户误判为“违约”客户和将“违约”客户误判为“正常”客户产生的代价损失也大不相同。前者固然会损失一定的收益,但是后者带来的损失风险是不可估量的。本文首次在个人信用风险评级问题中引入代价敏感概念,构造代价函数和风险函数。通过大量实验确定代价函数的最优参数,分别建立代价敏感朴素贝叶斯模型和代价敏感TAN模型。实证结果表明,在不明显降低正确率的情况下,代价敏感朴素贝叶斯模型和代价敏感TAN模型都能较大程度降低“违约”客户误判为“正常”客户的概率。