[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

说明书

本发明公开了一种基于XAI的机器学习信用模型解读方法，所述基于XAI的机器学习信用模型解读方法包括：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。本发明公开的方法，对模型的解读更加全面、直观和高效。

技术领域

本发明属于金融科技领域的机器学习信用模型解读领域，尤其涉及一种基于XAI的机器学习信用模型解读方法以及存储介质。

背景技术

随着互联网金融的不断发展，越来越多的机器学习模型应用到信用评分领域，而采用机器学习模型建立信用模型最大的缺点就是机器学习模型就像一个黑箱子一样，建模人员无法探知其内部结构，无法对模型进行解释。

对于信用模型来说，为了控制模型风险，保证模型的稳定性、可解释性，模型解读十分重要。

而目前缺乏完善的模型解读方案，通常情况下只是通过查看机器学习模型的变量重要性等进行简单解读，无法深入探查模型内部的具体情况、各个变量对模型结果的影响方式等，也无法对某些案例的模型分高或者低的具体原因进行解读。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种基于XAI的机器学习信用模型解读方法以及存储介质，通过本发明方法实现了对模型的解释，完成了模型的稳定性和合理性的判断。

本发明目的通过下述技术方案来实现：

一种基于XAI的机器学习信用模型解读方法，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。

根据一个优选的实施方式，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。

根据一个优选的实施方式，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。

根据一个优选的实施方式，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。

根据一个优选的实施方式，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。

根据一个优选的实施方式，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。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前文所述的基于XAI的机器学习信用模型解读方法。