.png){kind=icon}
返回
Protocol for Evaluating Explainability in Actuarial Models
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14081561.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文探讨了可解释人工智能（XAI）技术在精算科学中的应用，旨在解决金融背景下高级机器学习模型的不可解释性问题。尽管技术进步提升了精算模型的性能，但其“黑箱”特性给高度监管的环境带来了挑战。本研究提出了一种用于选择和应用XAI技术的方案，旨在提高模型的可解释性、透明度和监管合规性。该方案基于技术来源、目标对象和解释能力对技术进行分类，并引入了一种识别最适合精算模型的方案。所提出的方案在涉及梯度提升和随机森林两种分类算法的案例研究中得到验证，两种算法的准确率分别为0.80和0.79，并聚焦于两个可解释性目标。分析了几种XAI技术后，结果显示部分依赖方差（PDV）和局部可解释模型无关解释（LIME）是识别关键变量的有效工具。研究发现，该方案有助于模型选择、内部审计、监管合规以及提升决策透明度。这些优势使其在改善金融领域模型治理方面具有重要价值。
Keyword:
explainable artificial intelligence (XAI)
actuarial science
machine learning
explainability
decision-making
model governance
期刊
IF:
2.6
论文数:
9.8K
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏Peeking into the Black Box: An Actuarial Case Study for Interpretable Machine Learning窥探黑箱：一个可解释机器学习的精算案例研究
PREAI
分享收藏A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME可解释的人工智能方法的视角: SHAP和LIMEOAAI
OAAI分享收藏Explainable artificial intelligence (XAI) in finance: a systematic literature review金融中的可解释人工智能 (XAI): 系统的文献综述OAAI
OAAI分享收藏分享收藏
查看更多内容