面向信用风险评分的全局解释
机器学习
2018-11-26 v3 机器学习
摘要
本文提出一种通过对训练好的黑盒分类器的决策函数进行采样以学习可替代可解释模型，从而获得其全局解释的方法。该设想方法提供了一种统一方案，用更简单的分类器逼近非线性决策边界，同时保持原始分类精度。我们使用一个私有住宅抵押贷款违约数据集作为用例，以说明该方法在预处理阶段确保属性可分解性方面的可行性。
引用
@article{arxiv.1811.07698,
title = {Towards Global Explanations for Credit Risk Scoring},
author = {Irene Unceta and Jordi Nin and Oriol Pujol},
journal= {arXiv preprint arXiv:1811.07698},
year = {2018}
}
备注
FEAP-AI4Fin 2018 : NIPS 2018 Worksop on Challenges and Opportunities for AI in Financial Services: the Impact of Fairness, Explainability, Accuracy, and Privacy