消费信贷是金融机构为满足消费者对商品、服务的消费需求所提供的贷款服务并要求用户按期偿还的一种信贷活动。随着互联网金融的快速发展,信用风险也是众多金融机构面临的主要问题。信用风险是指银行向用户提供金融服务后用户不履行到期债务的风险,信用风险一直是银行贷款决策中主要研究的领域。本文主要研究集成学习算法在信用风险预测中的应用。文章介绍了简单机器学习算法:KNN、朴素贝叶斯、Logistic回归、决策树;集成学习算法:GBDT、XGboost、随机森林这三种以决策树作为基学习器和以随机森林作为基学习器的GBM,以及常用的评价模型性能的指标。在实证分析中,本文先对特征进行了哑元化处理;然后采用简单的机器学习算法对数据进行拟合,使用查准率、查全率和AUC等模型评估指标选出最优的模型瘖瘖决策树;最后将决策树作为基学习器进行进一步的集成学习。我们发现GBM的拟合效果最好,随机森林的效果次之,从而为金融机构贷款业务的授信审批提供了参考依据。目前国内关于梯度提升机(GBM)的应用主要集中在交通和行人检测、电子商务、异常检测等方面,在其他领域的应用比较少,尤其是以随机森林为基学习器的梯度提升机的应用就更少了。本文的创新之处是将GBM引入到信用风险的预测当中,使用了以随机森林为基学习器的GBM,并将查准率和查全率作为模型评估的指标。