我国经济的日益进步,带动了人民消费水平的提高,也给各个行业间的竞争带来了压力。对于银行业等金融机构来说,要想不断提高自身的综合实力,就应该在保持传统银行业务的同时极力开拓贷款业务,不断改善贷款违约预测的管理能力,提高借贷业务的安全水平,高效运转资金,带来更多的经济效益。对于银行等金融机构来说,贷款是资产运营的支柱,所以这就对客户贷款违约预测的准确性提出了较高的要求,因为即使模型预测的误差只有0.01%,也有可能给银行等金融机构带来几亿的损失,因此本文以个人信用为研究对象,运用改进的随机森林模型,对个人信贷是否违约进行预测,可以给银行等金融机构的信贷预测提供参考。本文通过对决策树,Logistic回归,随机森林这三个目前常用的预测模型进行比较分析,研究发现:决策树模型会导致过拟合的问题,同时也会模糊变量与变量之间相关性,预测效果较差;Logistic回归在处理大量高维数据存在一定的局限性;而随机森林是一种适用性较强的模型,能够对数据进行高效的挖掘,拟合效果程度好,可以处理大量的高维的数据,对于个人信贷数据有较好的适用性。但是,在随机森林模型生成的过程中会产生许多分类效果比较差的决策树,这些决策树会降低最终随机森林模型的预测准确性。因此本文针对传统随机森林存在的问题,本文引入了改进的随机森林模型对个人信贷违约进行预测。改进的随机森林算法通过分析个人信贷数据的特点,将AUC的值引入随机森林改进模型的过程中。计算原始随机森林中每一棵决策树的AUC的值,作为单棵树的分类精度,再按照AUC的值的大小,从大到小依次排序,经过多次试验根据不同决策树棵数对应的准确率选出分类效果好的决策树组成改进的随机森林模型,解决了随机森林中由于部分决策树分类效果差而影响整个随机森林模型预测效果的问题,提高了模型的准确率。最后,从ROC曲线以及AUC的值的角度将改进的随机森林模型与原始模型、Logistic回归、决策树四个模型进行对比,结果显示,改进的随机森林模型的预测准确率最高,因此适用于个人信用评估。