mSHAP：用于两部分模型的 SHAP 值
机器学习
2021-06-17 v1 机器学习
摘要
两部分模型在保险与精算科学中十分重要且被广泛使用。由于购车登记、获取抵押贷款以及参与特定业务均要求投保，为保险保单定价之模型公平且无歧视尤为重要。黑盒模型常令人们难以知晓哪些协变量在影响结果。SHAP 值可解释多种黑盒模型，但在两部分模型上进展甚微。本文提出 mSHAP（或乘性 SHAP），一种利用各独立模型的 SHAP 值计算两部分模型 SHAP 值的方法。该方法可在个体观测层面解释两部分模型的预测。在提出 mSHAP 后，我们进行了深入的模拟研究。尽管 kernelSHAP 算法也能计算两部分模型的近似 SHAP 值，但与本方法比较表明 mSHAP 速度快指数倍。最终，我们将 mSHAP 应用于个人汽车财产损害保险保障的两部分费率模型。此外，已提供 R 包（mshap）以便在广泛应用中便捷实现该方法。
引用
@article{arxiv.2106.08990,
title = {mSHAP: SHAP Values for Two-Part Models},
author = {Spencer Matthews and Brian Hartman},
journal= {arXiv preprint arXiv:2106.08990},
year = {2021}
}