Key points are not available for this paper at this time.
La recherche proposée se concentre sur l'amélioration de l'interprétabilité de l'évaluation des risques dans les approbations de crédit au sein du secteur bancaire. Ce travail utilise LIME (Local Interpretable Model-agnostic Explanations) et SHAP (SHapley Additive exPlanations) pour fournir des explications pour chaque prédiction : LIME approxime le modèle localement avec un modèle interprétable, tandis que SHAP offre des aperçus sur la contribution de chaque caractéristique à la prédiction à travers des explications globales et locales. La recherche intègre des algorithmes de gradient boosting (XGBoost, LightGBM) et Random Forest avec ces techniques d'Intelligence Artificielle Explicable (XAI) pour présenter un cadre plus compréhensible. Les résultats démontrent comment des méthodes d'interprétabilité telles que LIME et SHAP améliorent la transparence et la fiabilité des modèles d'apprentissage automatique, ce qui est crucial pour les applications d'évaluation du risque de crédit.
N. et al. (Mar), ont étudié cette question.