本项目旨在为金融机构开发一个自动化信用风险评估系统。我的核心职责是模型开发与优化。我使用Pandas进行了大规模信贷数据的探索性数据分析(EDA)和严格的变量筛选,并针对类别不平衡问题应用了SMOTE等采样技术。基于Scikit-learn,我训练并对比了逻辑回归、随机森林和梯度提升树(XGBoost)等多种模型,通过网格搜索进行超参数调优,最终选定的模型在测试集上的AUC达到了0.82。我将最终模型封装为Python类,并编写了清晰的API接口文档,供后端系统调用。该系统成功上线,将人工审核效率提升了40%,并有效降低了坏账风险。