模型透明性与可解释性：综述及其在保险业的应用
机器学习
2022-09-02 v1 机器学习
其他统计学
摘要
模型的使用，即便高效，也必须伴随对将数据转化(上游与下游)的过程在各层面的理解。因此，界定个体数据与算法基于其分析所作选择(例如推荐某一产品或促销优惠，或代表风险的保险费率)之间关系的需求日益增长。模型使用者必须确保模型不产生歧视，且能够解释其结果。本文介绍了模型解释的重要性并探讨模型透明性的概念。在保险背景下，具体说明了可借助哪些工具来管控当今可利用机器学习的精算模型。以车险中损失频率估计的简单为例，我们展示了若干可解释性方法针对目标受众适配解释的价值。
引用
@article{arxiv.2209.00562,
title = {Model Transparency and Interpretability : Survey and Application to the Insurance Industry},
author = {Dimitri Delcaillau and Antoine Ly and Alize Papp and Franck Vermet},
journal= {arXiv preprint arXiv:2209.00562},
year = {2022}
}
备注
Accepted to European Actuarial Journal