С быстрым развитием больших данных и интернет-технологий компании, занимающиеся финансовыми платформами больших данных, собирают и систематизируют массивные данные через свои собственные платформы, улучшают параметры кредитного скоринга и используют методы машинного обучения для проведения комплексных и научных оценок кредитного скоринга. Таким образом, банки при построении кредитного скоринга сталкиваются с большими проблемами. Исходя из ограничений существующей системы и методов персонального кредитного рейтинга, необходимо изучить персональный кредитный рейтинг на основе методов машинного обучения, усовершенствовать параметры и систему балльной оценки персонального кредитного рейтинга, уточнить каналы сбора данных, использовать технологию динамической десенсибилизации. для снижения чувствительности данных, метод тестирования LOF для проверки данных о выбросах и метод случайного леса для заполнения отсутствующих значений данных. Затем вы используете метод дерева решений с повышением градиента, чтобы просмотреть важные индикаторы, обработать проверенные индикаторы с помощью модели системы показателей, основанной на логистической регрессии, и получить личный кредитный рейтинг. Наконец, модель тестируется с помощью нейронной сети BP, и модель используется для прогнозирования уровня личного кредита. Исследование показывает, что машинное обучение может еще больше повысить точность кредитных рейтингов отдельных лиц и обеспечить научную основу и справочную информацию для кредитных рейтингов коммерческих банков.