近年来，个人信用评估问题成为信贷行业的研究热点，针对当前应用于信用评估的分类算法大多存在只对某种类型的信用数据集具有较好的分类效果的问题，提出了基于Gradient Boosted Decision Tree（GBDT）的个人信用评估方法。GBDT天然可处理混合数据类型的数据集，可以发现多种有区分性的特征以及特征组合，不需要做复杂的特征变换，对于特征类型复杂的信用数据集有明显的优势，且其通过其损失函数可以很好地处理异常点。在基于两个UCI公开信用审核数据集上的对比实验表明，GBDT明显优于传统常用的支持向量机（Support Vector Machine， SVM）以及逻辑回归（Logistic Regression， LR）的信用评估效果，具有较好的稳定性和普适性。