互联网+作为一个新兴的思维,正在将巨大的变革带给互联网金融,飞速发展的网络技术作为其技术保障,已经在社会各行各业中广泛传播,激烈的竞争从刚开始的蓬勃发展是P2P网络借贷平台在此基础上发展的现状和局面。作为一个面向客户个人借贷的网络平台,P2P网络信贷使得银行等金融机构无需介入,且无担保为贷款的主要特征。第三方如银行的金融机构在出款方和借款方的借贷过程中不再需要介入,这是由P2P网络借贷平台自身特性决定的,个人信用评级制度作为防控平台风险的主要依靠,不健全的公民征信体系,成本较高的借款方信用信息搜集过程,以及明确的法律监管措施在我国还没有明确实施。十分清楚自身的偿还能力、还款意愿以及借款的用途的借款者处于不对称信息的上风,而借款人的全部信息不能被出借方得到,使得普遍的良币驱逐和道德风险由此产生,直接导致频发的来自于借款方违约欺诈现象。没有对于该平台充分的信任来自于出借方对于借款存在的欺诈风险无法准确判断,最终运行效率低下的P2P网络信贷市场严重阻碍了其行业发展前景。针对这一实际问题,本文结合机器学习的中的组合分类算法对互联网金融中网络信贷平台欺诈问题进行了深入的分析与研究,以下为主要取得的研究成果:1.为了有效实现对互联网金融中欺诈现象的识别与预测,本文在深入研究传统金融信贷机构欺诈类型分布和大数据背景下申贷客户的欺诈行为数据痕迹的分布特点的基础上,提出了基于机器学习的网络信贷反欺诈模型,为针对网络信贷平台P2P中的欺诈客户的识别与侦测实现建立了基本框架。2.为了有效在大数据的背景下充分利用互联网中个人信息广泛分布的优势,本文在基于传统信贷金融机构表单填写的审批策略中,设计实现了基于大数据的欺诈客户个人画像模型技术。3.为了提高分类模型对互联网金融中欺诈客户识别与侦测的准确度,实现对欺诈客户预判的覆盖面最大化,本文在基于机器学习中的组合分类方法AdaBoost算法和针对借贷过程中两类错误借贷的实际意义提出了主要针对欺诈客户关注度的改进AdaBoost的综合分析算法。4.本文基于机器学习中的AdaBoost高效组合分类学习算法,设计实现了面向大数据的网络信贷欺诈现象的识别与侦测模型,并将它应用到具体、实际的互联网信贷金融机构欺诈客户侦测中,进行了相关测试。通过实证分析,验证了本文研究的技术对网络信贷中欺诈客户识别与侦测的有效性。