یک چارچوب امتیازدهی اعتباری قابل توضیح: یک مورد استفاده از پرداختن به چالشها در یادگیری ماشین کاربردی
| عنوان | یک چارچوب امتیازدهی اعتباری قابل توضیح: یک مورد استفاده از پرداختن به چالشها در یادگیری ماشین کاربردی |
|---|---|
| نویسنده | گونتای، لونت، بوزان، ای.، تیگراک، یو.، دوردو، تی.، اوزکاهیا، جی. ای. |
| تاریخ انتشار: | 2022 |
| محل انتشار | - IEEE |
| موضوع | امتیازدهی اعتباری، مدل قابل توضیح، یادگیری ماشینی، مدل سازی جایگزین |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 978-166548313-1 |
| شماره ثبت | d297c6c9-3c40-4f6b-a98d-f9defd801126 |
| محل کتابخانه | امور مالی بین المللی |
| تاریخ | 2022 |
| متن نمونه | در حالی که الگوریتمهای طبقهبندی یادگیری ماشین (ML) میتوانند ریسک اعتباری وام گیرنده را به دقت طبقهبندی کنند، عوامل تعیینکننده امتیاز اعتباری نمیتوانند به وضوح توسط مشتریان، تصمیمگیرندگان و حسابرسان تفسیر شوند. عدم شفافیت سازوکارهای امتیازدهی اعتباری جعبه سیاه اعتماد به سیستم بانکی را کاهش می دهد و پیامدهای جدی برای تامین مالی و رشد کسب و کارها دارد. مقررات اخیر در اتحادیه اروپا و ایالات متحده مستلزم آن است که مکانیسم تصمیم گیری اعتباری باید قابل توضیح و شفاف باشد. ما چارچوبی برای توسعه یک مدل امتیازدهی اعتباری قابل توضیح ارائه می کنیم. تازگی علمی ما پیروی از یک رویکرد جایگزین ساده و مقرون به صرفه برای امتیازدهی اعتباری است. این رویکرد یک مدل جعبه سفید قابل توضیح را تخمین میزند که به طور موثر با پیشبینیهای درون نمونه دقیقترین مدل «جعبه سیاه» مطابقت دارد. ما چارچوب ریسک اعتباری جایگزین را با استفاده از دادههای تراکنشهای چک ارائهشده توسط یک بانک ترکیه اجرا میکنیم. ما متوجه شدیم که عملکرد درخت جایگزین به اندازه کافی به عملکرد دقیق ترین مدل XGBoost جعبه سیاه نزدیک است. به طور کلی، یافتههای ما نشان میدهد که میتوان یک مدل امتیازدهی اعتباری قابل توضیح با عملکرد بالا با حداقل کاهش دقت مدل ایجاد کرد. |
| DOI | 10.1109/TEMSCONEUROPE54743.2022.9802029 |
