基于CatBoost用信预测模型的TreeSHAP解释性研究

摘要：

银行客户申请信用贷款在授信通过后,?精准预测客户是否用信及分析影响客户用信的关键因素,?对提高银行客户服务能力及盈利能力具有重要意义.?目前,?机器学习算法鲜有在用信预测方面的应用,?且金融用信领域缺乏模型可解释性的研究,?为此提出一种基于CatBoost的TreeSHAP解释性用信预测模型.?通过CatBoost构建用信预测模型,?利用3种超参数优化算法对该模型进行对比优化,?与基线模型在4项主要性能指标上进行实验对比,?结果表明经TPE算法优化后的模型性能均优于其他模型,?然后结合TreeSHAP方法从全局和局部的层面增强模型的可解释性,?解释性分析客户用信的影响因素,?为银行对客户进行精准化营销提供决策依据.

关键词：用信预测、可解释性、TPE、CatBoost、TreeSHAP、机器学习

所属期刊栏目：32

分类号：TP391;F274;F832.33

资助基金：国家自然科学基金;宁夏自然科学基金项目

在线出版日期：2023-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：338-344