评估实例依赖代价敏感信用评分中模型解释的稳定性
机器学习
2025-09-03 v1
摘要
实例依赖代价敏感（IDCS）分类器通过将损失函数调整为实例特定的代价，为提高信用评分中的成本效率提供了一种有前景的方法。然而，尽管监管对透明度的要求日益增加，此类损失函数对模型解释稳定性的影响在文献中仍未被探索。本研究通过评估局部可解释模型不可知解释（LIME）和Shapley加性解释（SHAP）应用于IDCS模型时的稳定性来填补这一空白。使用四个公开可用的信用评分数据集，我们首先评估了IDCS分类器的判别力和成本效率，并引入了一个新的指标以增强跨数据集的可比性。然后，我们通过控制重采样研究了在不同类别不平衡程度下SHAP和LIME特征重要性排名的稳定性。我们的结果表明，尽管IDCS分类器提高了成本效率，但与传统模型相比，它们产生的解释稳定性显著降低，特别是随着类别不平衡程度的增加，这突出了信用评分中成本优化与可解释性之间的关键权衡。在对可解释性的监管审查日益严格的情况下，本研究强调了解决IDCS分类器中稳定性问题的迫切需要，以确保其成本优势不被不稳定或不可信的解释所削弱。
引用
@article{arxiv.2509.01409,
title = {Evaluating the stability of model explanations in instance-dependent cost-sensitive credit scoring},
author = {Matteo Ballegeer and Matthias Bogaert and Dries F. Benoit},
journal= {arXiv preprint arXiv:2509.01409},
year = {2025}
}