互联网征信的评分模型是基于大数据和机器学习技术构建的。首先，数据来源包括个人信息、消费记录、信用卡记录、社交网络数据等多方面信息，这些数据通过数据清洗、特征提取等处理得到结构化数据。然后，利用机器学习算法对这些数据进行建模和训练，常用的算法包括逻辑回归、决策树、随机森林、神经网络等。模型会通过大量的历史数据进行训练，学习不同特征之间的关系，最终生成一个评分模型。
关键是构建一个合适的特征工程，即从原始数据中提取有效的特征来描述个人信用状况。特征工程的好坏直接影响到评分模型的准确性。在构建评分模型时，要考虑到不同特征的权重，以及不同特征之间的相互影响，这可以通过特征选择和特征组合来实现。
为了提高评分模型的准确性和稳定性，可以采用交叉验证、集成学习等方法来优化模型。同时，定期更新模型，及时反馈新数据，保持模型的时效性和准确性。最后，评分模型需要经过严格的验证和测试，确保其在实际应用中的稳定性和可靠性。
实际案例中，像芝麻信用、腾讯征信等公司都是利用类似的方法构建了自己的征信评分模型，通过大数据和机器学习技术为用户提供信用评分和信用报告服务。