基于SHAP的信贷风控机器学习模型优化
吴嘉顺 郑忠辉 欧阳琳

长沙理工大学 数学与统计学院，湖南长沙，410114；

摘要：本研究以德国信贷数据集为对象，将SHAP可解释性方法融入信贷风控机器学习模型优化全流程，经SHAP指导的特征工程筛选核心特征，对比多模型后确定LightGBM为最优模型。通过网格搜索结合贝叶斯优化调参并优化特征体系，融合SHAP的LightGBM模型AUC达0.871，预测精度与可解释性显著提升，为金融机构提供了高精度、强可解释性的信贷风控方案，兼具理论与实践价值。

关键词：SHAP；信贷风控；模型优化

参考文献

[1]CHEN Qian Wei;HUANG Xue Zan;DING Yu;ZHU Feng Ren;WANG Jia;ZOUYuan Jie;DU Yuan Zhen;ZHANG Ya Jun;HUI Zi Wen;ZHU Feng Lin;MUMin;.Predicting the Risk of Arterial Stiffness in Coal Miners Based on DifferentMachine Learning Models[J].Biomedical and EnvironmentalSciences,2024(01):112-115.

[2]Remzi Eker;Kamber Can Alki?;Abdurrahim Ayd?n;.Assessment of large?scalemultiple forest disturbance susceptibilities with AutoML framework: an IzmirRegional Forest Directorate case[J].Journal of Forestry Research,2024(04):77-92.

[3]吴佳琪;方素真;黎楷;黄敏;张艳群;罗祥蓉;贾彬;李冰蕾;谢翠华;.基于机器学习与SHAP可解释性住院老年2型糖尿病患者衰弱风险预测模型的构建及验证[J].护理学报,2025(11):10-15.

[4]陈鹏;郑屹峰;张成孟;沈伟强;夏冬;沈健;付治中;周玮;.基于CT影像组学特征的机器学习和SHAP方法预测肝细胞癌微血管浸润状态[J].浙江临床医学,2025(03):17-20+24.