随着经济、技术的不断发展,金融行业银行业务的日趋成熟,科学技术与传统行业的结合已成为时代的主流。也伴随着p2p、网上银行、众筹等借贷平台的出现,银行个人信用评估在金融行业的发展的地位也越来也重要。信用是经济得以健康快速发展的重要保证,银行的个人信用评估也同时影响着房屋借贷、汽车借贷等进入业务,因此快速度,高效率的信用评估已成为大多数银行提高工作效率的共同需求。在科技高速发展的时代,利用人工智能搜索平台获取更多的信息用于信用评估,以及在利益最大化与风险最小化的驱动下,使用数据挖掘技术,与机器学习的算法,可以提高审批效率,同时避免银行客户流失与放款错误带来的不利影响。本文从银行信用评估的发展形势与现状分析着手,以UCI中1000条信用数据作为数据来源,使用数据挖掘,与机器学习的算法,建立模型。使用神经网络,Logistic回归的机器学习算法。其中,随机抽样70%数据作为训练集,30%数据为测试集,用于训练好的模型预测,得出预测结果并与真实值进行比较,计算模型模型的准确率,并进行模型评估。在模型的评估上,采用的检验方法主要是ROC曲线、LIFT图、K-S曲线和AUG指标等来比较两种模型的功效强弱和稳定性,并给出相应的参数估计、统计图等,以及最终的比较结果和模型的实际意义。本文将数据挖掘的机器学习算法与银行实际数据相结合进行研究,对银行的信用评估方法的选择是有一定的参考价值。