文件名称：可解释信用评分的解释框架-研究论文
文件大小：880KB
文件格式：PDF
更新时间：2024-06-30 01:29:35
Credit Scoring Explainable
随着最近对人工智能 (AI) 和金融技术 (FinTech) 的热情高涨，信用评分等应用程序引起了学术界的极大兴趣。 然而，尽管取得了不断增长的成就，但大多数人工智能系统的最大障碍是缺乏可解释性。 这种透明度不足限制了它们在包括信用评分在内的不同领域的应用。 信用评分系统帮助金融专家就是否接受贷款申请做出更好的决定，从而不接受违约概率很高的贷款。 除了此类信用评分模型面临的嘈杂和高度不平衡的数据挑战之外，最近的法规，例如通用数据保护条例 (GDPR) 和平等信用机会法案 (ECOA) 引入的“解释权”，增加了对模型可解释性，以确保算法决策是可理解的和连贯的。 最近引入的概念是可解释人工智能 (XAI)，它专注于使黑盒模型更具可解释性。 在这项工作中，我们提出了一个既准确又可解释的信用评分模型。 对于分类，房屋净值信贷额度 (HELOC) 和借贷俱乐部 (LC) 数据集的最先进性能是使用极限梯度提升 (XGBoost) 模型实现的。 然后通过 360 度解释框架进一步增强模型，该框架提供了不同人在不同情况下所需的不同解释（即基于全局、基于局部特征和基于局部实例）。 通过使用基于功能、基于应用和基于人的分析进行评估表明，所提供的解释简单一致，并且正确、有效、易于理解、足够详细和值得信赖。