在建立信用风险预警机制时，常用的风险评估模型包括传统的评分卡模型、机器学习模型和深度学习模型等。
传统评分卡模型：传统评分卡模型是建立在大量历史数据基础上的统计模型，通过对客户的基本信息、征信记录、财务状况等进行评分，预测客户未来的违约概率。这种模型简单易懂，适用于中小型机构，但对数据的要求较高，需要充分的历史数据支持。
机器学习模型：机器学习模型通过对数据进行训练，自动学习特征与违约之间的关系，如逻辑回归、决策树、随机森林等。这种模型可以更好地挖掘数据之间的复杂关系，提高模型的预测准确性，但对数据质量和模型解释性要求较高。
深度学习模型：深度学习模型是机器学习的一种，通过多层神经网络进行特征学习和预测。深度学习模型适用于大数据量、复杂的信用风险预测场景，可以更好地处理非线性关系，但对计算资源和数据量要求较高。
在选择风险评估模型时，应根据机构自身的业务规模、数据情况、技术水平等因素综合考虑。可以通过建立多模型集成、不断优化模型参数、引入新的特征变量等方式来提升模型的预测效果。同时，定期对模型进行监测和评估，及时调整模型，保持其预测的准确性和稳定性。