[发明专利]一种基于XAI的机器学习信用模型解读方法以及存储介质

权利要求书

1.一种基于XAI的机器学习信用模型解读方法，其特征在于，所述基于XAI的机器学习信用模型解读方法包括如下步骤：

S1：清洗数据，筛选变量，构建机器学习模型，并计算模型的变量的重要性

S2：对进入模型的自变量进行分析，计算每个自变量的证据权重WOE和信息价值IV，获得每个自变量对因变量的影响方式及有效性；

S3：分别采用LIME和SHAP对模型进行解释，获得各个变量对模型得分的影响程度及影响方式；

S4：综合步骤S3获得的结果，评估各个变量对模型得分的影响程度及影响方式，找出对模型得分影响最大的变量，并对其影响方式进行解读，并结合业务经验，比较上述方法结果的差异，评估模型的合理性和稳定性。

2.如权利要求1所述的基于XAI的机器学习信用模型解读方法，其特征在于，所述基于XAI的机器学习信用模型解读方法还包括如下步骤：

S5：利用SHAP和评分转换公式对某典型案例的模型得分进行分解转换，分析该案例每个变量的取值对模型分带来的具体影响，再评估该案例模型得分是否符合业务经验。

3.如权利要求2所述的基于XAI的机器学习信用模型解读方法，其特征在于，所述基于XAI的机器学习信用模型解读方法还包括如下步骤：

S6：结合Markdown工具，将步骤S1至步骤S5封装成可调用的工具包，自动生成信用模型解读报告。

4.如权利要求3所述的基于XAI的机器学习信用模型解读方法，其特征在于，所述信用解读报告包括步骤S1至步骤S5涉及的所有数据内容。

5.如权利要求1所述的基于XAI的机器学习信用模型解读方法，其特征在于，所述步骤S1构建的机器学习模型包括但不限于为XGBoost和lightGBM模型。

6.如权利要求1所述的基于XAI的机器学习信用模型解读方法，其特征在于，所述步骤S4中找出对模型得分影响最大的变量，并对其影响方式进行解读，具体包括：该变量取值越大会导致模型得分越大还是越小。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的方法。