Enhancing ML Interpretability for Credit Scoring
发表于 2025年9月14日上传于 2025年9月16日

本论文针对信用评分中的机器学习模型解释难题,提出一种结合后验解释工具与可解释玻璃盒模型的混合框架。利用SHAP进行特征筛选,显著减少特征数量达88.5%,并构建具有与XGBoost相当预测性能的透明模型。研究还通过特征交互和相关性分析,进一步提升模型的可解释性和稳健性,满足合规要求 。

本论文针对信用评分中的机器学习模型解释难题,提出一种结合后验解释工具与可解释玻璃盒模型的混合框架。利用SHAP进行特征筛选,显著减少特征数量达88.5%,并构建具有与XGBoost相当预测性能的透明模型。研究还通过特征交互和相关性分析,进一步提升模型的可解释性和稳健性,满足合规要求 。

本文提出并比较了多载体综合能源系统中柔性调度协调的三种建模方法:集中式共优化、基于价格响应的模型耦合和市场竞价启发式模型耦合;创新性地通过市场竞价模型耦合实现了灵活性资源自治权和隐私的保护,并提升了大规模系统的可扩展性。基于德国2013年真实数据的实验表明,市场竞价方法能够捕获策略性行为和不完全信息下的灵活性响应特征,较其他方法更符合实际操作,且在计算性能上优于传统方法,适合大规模集成能源系统建模与分析 。