机构名称：
¥ 2.0
摘要：金融当局要求银行的信用评分模型具有可解释性。本文提出了一种可解释的人工智能 (XAI) 模型，用于预测挪威银行提供的无担保消费贷款独特数据集上的信用违约。我们将 LightGBM 模型与 SHAP 相结合，从而能够解释影响预测的解释变量。LightGBM 模型明显优于银行的实际信用评分模型（逻辑回归）。我们发现，LightGBM 模型中预测违约的最重要解释变量是已用信用余额的波动性、剩余信用占总信用的百分比以及客户关系的持续时间。我们的主要贡献是在银行业实施 XAI 方法，探索如何应用这些方法来提高最先进的 AI 模型的可解释性和可靠性。我们还提出了一种分析改进的信用评分模型的潜在经济价值的方法。
用于银行信贷评估的可解释人工智能
主要关键词
相关文件推荐
