信用风险评估是信用风险管理领域重要的研究内容之一。在信用风险评估中，数据集的小样本、非均衡性等数据特征对信用分类结果产生很大影响。特别地，对于新兴的金融机构或开展新的信贷业务时，由于数据获取成本高、数据获取困难等原因，面临着小样本数据问题。小样本数据具有不完整和不充足特性，导致其构建的模型是低效的甚至是无效的，相应的决策也是错误的。“数据特征驱动建模”将有效地解决这些问题和提升信用风险分类精度。鉴于此，本书主要聚焦小样本数据特征驱动的信用风险分类问题。本书基于小样本学习理论与信用风险分类理论，构建了小样本数据特征驱动的信用风险分类研究框架。基于该研究框架，系统研究了信用数据中属性稀缺小样本、混合属性小样本、高维性小样本、无有效训练样本和非均衡性小样本的信用风险分类问题，并在此基础上提出了小样本数据特征驱动的信用风险分类模型实施与对策建议。因此，本书研究具有较强的理论意义和实践意义，对于实际开展小样本信用风险评估具有一定的参考价值。