Enhancing ML Interpretability for Credit Scoring
创建于 更新于
摘要
本论文针对信用评分中的机器学习模型解释难题，提出一种结合后验解释工具与可解释玻璃盒模型的混合框架。利用SHAP进行特征筛选，显著减少特征数量达88.5%，并构建具有与XGBoost相当预测性能的透明模型。研究还通过特征交互和相关性分析，进一步提升模型的可解释性和稳健性，满足合规要求 [page::1][page::8][page::11][page::13][page::14]。
