个人信用评分在商业、金融等许多领域发挥着关键作用,信用评分模型也是商业银行管理信用风险的常用工具之一。在信用消费充斥着人们生活各个方面的同时,创建一个有效的个人信用评分机制,做好信用风险管理对金融机构的盈利能力至关重要。即使用于信贷决策的信贷审批建模准确性提高很小的百分比,也会为金融机构产生重大的积极影响。本研究的目的是创建一个个人信用评分模型,信用评分模型的最终目标是将信贷申请人划分到可能清偿财务责任的“信用良好”组,或者划分到拒绝承担偿还负担、违约风险高的“信用欠佳”组。目前,信用评分中最常用的方法是统计方法,但是,对于信用评分问题,这些方法使用过程中还存在两个主要的缺陷:第一,信用评分使用的变量属性维度过高,存在大量信息冗余;第二,现有的评分方法多以线性方法为主。从以上两点出发,为了获得更精确的评价模型,本文通过偏最小二乘变换来降低变量维数,使得输入变量的维数大幅减少,在提高建模速度的同时也消除了高维变量由共线性所引入的噪声,然后将经过特征提取得到的各主成分向量组成得分矩阵T代替原始输入矩阵X进行SVM建模,在模型评价方面,本文除了采用常用的分类正确率、ROC等评价方法外,还选用了相对误差频率集中度作为评判标准。最后,本文利用UCI机器学习库的台湾信用卡申请数据集,构造了基于偏最小二乘支持向量机算法的个人信用评分模型,通过实证分析与模型对比,给出了仿真研究的结果。通过比较分析发现,使用主成分分析和偏最小二乘算法,能将93维数据分别降到14维和4维,而且通过交叉验证结果比较,PLS-SVM 比其他模型具有更高的准确性与有效性。另外,通过相对误差频率分布图可以看到:PLS-SVM超过76.65%样本的相对误差在[-0.5,0.5)区间里,其次是PCA-SVM占比为74%,其余模型均未超过50%。考虑到预测能力、计算复杂度和实际可解释性之间的权衡,结果表明偏最小二乘支持向量机与其他的评分方法相比,在准确性、有效性以及效率方面都有较好的表现。