戴峥琪;雷亿辉;彭晨;夏广萍;

机器学习方法在信贷领域取得了较好的成果，但由于缺乏可解释性，应用受到限制，为增加其可信度和透明度，克服“黑盒”模型缺乏可解释性的缺陷，基于LightGBM算法建立信贷违约预测模型，并设计SHAP算法对模型的结果进行解释。结果表明，模型性能更好，预测精度更高，其精度高达88.61%;SHAP算法解释结果表明“信用组合的分类”“要支付的剩余债务”“每月EMI付款”等因素对信贷决策有着重要影响。

2024年01期 v.21;No.95 84-91页 [查看摘要][在线阅读][下载 1322K]