学习一种可解释的风险评分系统以最大化决策净获益
Learning an Interpretable Risk Scoring System for Maximizing Decision Net Benefit
精选理由
介绍一种直接优化决策净获益的可解释风险评分方法，兼顾透明性与预测性能。
AI 摘要
arXiv:2604.04241v3 公告类型：替换 摘要：风险评分系统广泛应用于高风险领域，以辅助决策。然而，现有方法通常侧重于优化预测准确率或基于似然的标准，而这些目标可能与最大化效用这一主要目标并不一致。本文提出一种新型风险评分系统，直接在一系列决策阈值上优化净获益。该模型被表述为一个稀疏整数线性规划问题，从而能够构建具有整数系数的透明评分系统，有助于理解和实际应用。我们还建立了净获益、区分度与校准之间的基本关系。具体而言，我们推导了在固定阈值网格上评估的净获益曲线下面积与某个 ROC 泛函之间的界，并表明后处理可以在不降低该网格上净获益曲线下面积的情况下，使训练数据达到适度校准。我们在多个公开数据集以及一个大规模信用风险数据集上评估了所提出的方法。计算实验表明，我们的可解释方法能够在保持具有竞争力的区分度和校准性能的同时，有效实现较高的净获益。