В докладе рассматривается актуальная проблема баланса классов и интерпретируемость моделей машинного обучения в задачах классификации, относительно области рисков финансовых организаций. Рассмотрено три набора данных из различных областей финансовой сферы, а именно определение мошеннических банковских операций в транзакционном потоке, мошеннические претензии клиентов к страховым компаниям, определение вероятности дефолта кредитных организаций. Показано, что предложенный подход позволяет увеличить целевую метрику алгоритма на несбалансированных данных с сохранением интерпретируемости модели.
Феста Ю.Ю., Воробьев И.А. ИНТЕРПРЕТИРУЕМОСТЬ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ И ПРОБЛЕМА ДИСБАЛАНСА КЛАССОВ В ЗАДАЧАХ СНИЖЕНИЯ РИСКОВ КРЕДИТНО-ФИНАНСОВЫХ ОРГАНИЗАЦИЙ // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2023]. URL: https://kmu.itmo.ru/digests/article/11699