Comparativa de modelos de Machine Learning interpretables para la predicción de riesgo crediticio

Abstract

Los sistemas de Inteligencia Artificial son ampliamente utilizados e impactan en la vida diaria de las personas de forma creciente, en gran medida debido al avance en Machine Learning y su alta precisión. Los modelos suelen ser opacos y dificultan el entendimiento de su lógica. Su interpretabilidad se hace más necesaria, sobre todo en dominios de alto riesgo. Este trabajo se ha centrado en el dominio financiero, en la tarea predicción de riesgo crediticio, sobre el conjunto de datos de solicitudes de crédito con garantía hipotecaria (HELOC). Se han planteado distintos modelos y aplicado técnicas para obtener modelos interpretables. Se han definido métricas de interpretabilidad, que permiten la comparativa de modelos atendiendo a criterios de interpretabilidad y no únicamente de precisión. Los resultados obtenidos muestran que la elección de un modelo no solo debe estar basado en la precisión, sino que debe mantener un equilibrio entre precisión e interpretabilidad.