随着社会的不断进步,我国互联网的蓬勃发展。网络贷款也逐渐出现在人们的视野当中,但其性质和居民消费贷款基本一样,存在着贷款额度不等,违约率高的情况。同时在疫情的影响下,2021年未偿还网络贷款的人数已经高达7000万人之多,失信人员更是达到了 600万以上,据此对贷款人群分类显得尤其的关键。与此同时,伴随着我国数字化国家的建设,机器学习、人工智能等相关行业得到了迅速发展,应用面的广泛使得算法模型也愈发的成熟。人们也开始不断将其应用到网络贷款当中去,运用机器学习的方法区分贷款人群变得更加智能、准确,同时好的预测模型也成为了分类人群的关键,推进着我国网络信贷的发展。本文使用2017年美国11万条贷款数据信息,采用SMOTE算法对数据的不平衡现象进行处理,对原始数据进行描述,阐述了网络贷款数据的常用字段、特征,如贷款人信息、违约相关信息等。介绍了网络贷款数据分析的过程,并对初始数据进行清洗,挑选网络信贷的主要的特征,对缺失值较多的特征选择删除、较少的用中位数或者众数填充,并且计算了特征的Ⅳ值,来挑选出对模型预测影响较大的特征。随后又介绍了网络信贷分类预测的常用模型,主要使用了逻辑回归、支持向量机、决策树等算法模型,分析其主要原理和特点,并引入了 LightGBM集成算法。最后使用交叉验证的方法,将数据分为训练集、测试集进行模型预测、评估模型的预测能力。对于评估标准,主要选择了混淆矩阵,并计算其中的准确率,精确率,召回率并求出对应模型测试的AUC值为评判四个模型的好坏。通过评分标准进行比较,发现LightGBM模型对网络信贷人群有着更好的准确率,同时针对影响网络信贷主要特征进行了列举并解释。由于数据来源取自外国,再将其与我们平日常见的信贷特征进行对比,发现主要特征有所差距,发现借款利率,借款周期,信用账号使用率,借款目的以及近6个月查询次数对模型的准确性有着很大的影响和我国的关注地方稍有不同。最后介绍了网络信贷分析的可行方法和影响用户违约的常见特征。