【摘要】信用评估是商业银行控制和防范信贷风险的关键途径,针对当前个人信用评估模型多使用单一分类器,容易导致过拟合且预测精度有限的问题,提出了基于随机森林组合分类算法的个人信用评估模型,并在实证分析中与KNN、RBF-NET、SVM等单分类器模型以及组合模型GBDT比较,发现基于随机森林组合分类器模型,在个人信用评估的应用中,具有更高的预测精度和稳定性。通过对特征变量评价发现,贷款者个人信息中现有账户状态(透支或有余额等情况)、信贷期限、信贷历史记录、贷款金额对信用风险预测准确率有显著的影响。