اکثر مطالعات مربوط به مدلهای ارزیابی ریسک اعتباری برای مؤسسات مالی طی سالهای اخیر بر بهبود داده های نامتوازن و یا افزایش دقت طبقه بندی با مدل سازی چند مرحله ای تمرکز دارند. در حالی که مدل سازی چند مرحله ای و پیش پردازش داده ها می توانند دقت را تا حدودی تقویت کنند ، ماهیت ناهمگن داده ها ممکن است روی دقت طبقه بندی طبقه بندی کننده ها تأثیر بگذارد. در این مقاله ، برای ساختن یک مدل ارزیابی ریسک اعتباری برای مؤسسات مالی ، از طبقه بندی ، درخت تقویت کننده شیب eXtreme (XGBoost) استفاده شده است. نمونه برداری مبتنی بر خوشه برای پردازش داده های نامتوازن مستقر است. سرانجام ، منطقه در زیر منحنی عملیاتی گیرنده و دقت طبقه بندی ها شاخص های ارزیابی هستند ، در مقایسه با سایر طبقه بندی کننده های تک مرحله ای که اغلب استفاده می شود مانند رگرسیون لجستیک ، الگوریتم های خود ساماندهی و ماشین بردار پشتیبانی. نتایج حاکی از آن است که طبقه بندی کننده XGBoost مورد استفاده در این مقاله به نتایج بهتری از سه مورد دیگر دست یافته و می تواند به عنوان ابزاری برتر برای توسعه مدل های ریسک اعتباری برای مؤسسات مالی خدمت کند.