基于特征加權(quán)的反事實解釋方法：以信貸風控場景為例

摘要： 機器學習技術(shù)在金融領(lǐng)域的應(yīng)用越來越多，為用戶提供可解釋的機器學習方法已成為一個重要的研究課題。近年來，反事實解釋引起了廣泛關(guān)注，它通過提供擾動向量來改變分類器得到的預(yù)測結(jié)果，從而提高機器學習模型的可解釋性。但現(xiàn)有方法存在生成的反事實用例缺乏可行性和可操作性的問題。文中提出了一種新的反事實解釋框架，通過引入特征變量代價權(quán)重矩陣的概念，考慮不同特征變量改變的難易程度，使得反事實結(jié)果... （共10頁）