XtracTree：一种用于零售银行业装袋方法监管验证的简单有效方法
机器学习
2021-08-18 v3 人工智能
机器学习
摘要
自助聚合（称为 bagging）是机器学习 (ML) 中最流行的集成方法之一。集成方法是一种结合多个假设以形成用于预测的单一假设的 ML 方法。装袋算法结合在相同数据集的不同子样本上建模的多个分类器来构建一个大型分类器。银行及其零售银行业务如今正利用 ML 算法（包括决策树与随机森林）的力量来优化其流程。然而，银行必须遵守监管与治理要求，因此提供有效的 ML 解决方案是一项具有挑战性的任务。它始于银行的验证与治理部门，继之以解决方案在生产环境中的部署，直至国家金融监管机构的外部验证。每个被提出的 ML 模型都必须经过验证，且基于算法的每个决策都必须有清晰规则可佐证。在此背景下，我们提出 XtracTree，一种能够将 ML 装袋分类器（如随机森林）高效转换为满足模型验证要求的简单“if-then”规则的算法。我们使用来自 Kaggle 的公开贷款数据集来说明本方法的有用性。我们的实验表明，使用 XtracTree 可将 ML 模型转换为基于规则的算法，从而便于国家金融监管机构与银行验证部门进行模型验证。所提方法使我们的银行机构将 AI 解决方案交付给最终用户的时间缩短了多达 50%。
引用
@article{arxiv.2004.02326,
title = {XtracTree: a Simple and Effective Method for Regulator Validation of Bagging Methods Used in Retail Banking},
author = {Jeremy Charlier and Vladimir Makarenkov},
journal= {arXiv preprint arXiv:2004.02326},
year = {2021}
}