信用评分中的线性判别分析：一种透明的混合模型方法
机器学习
2024-12-06 v1
摘要
计算机发展使得信用评分方法成为可能，各种机器学习（ML）和深度学习（DL）技术日益增值。虽然复杂模型可获得更准确的预测，但其可解释性往往受到削弱，这是信用评分所关心的，因为该领域注重决策公平性。由于数据集的特征是信用评分系统的关键因素，我们采用线性判别分析（LDA）作为特征降维技术，以减少模型复杂度的负担。我们比较了 6 种不同的机器学习模型、1 个深度学习模型以及带无 LDA 和有 LDA 的混合模型。结果表明，我们的混合模型 XG-DNN 在使用 LDA 时准确率最高可达 99.45%，F1 分数达 99%。最后，为了解释模型决策，我们应用了两种不同的可解释 AI 技术，分别称为 LIME（局部）和 Morris 敏感性分析（全局）。通过这项研究，我们展示了在不影响模型性能和可解释性的前提下，如何使用特征降维技术，这在资源受限的设置中可用于优化计算负载。
引用
@article{arxiv.2412.04183,
title = {Linear Discriminant Analysis in Credit Scoring: A Transparent Hybrid Model Approach},
author = {Md Shihab Reza and Monirul Islam Mahmud and Ifti Azad Abeer and Nova Ahmed},
journal= {arXiv preprint arXiv:2412.04183},
year = {2024}
}
备注
Accepted on International Conference on Computer and Information Technology (ICCIT) 2024