2. 信贷决策基础：传统信用评分模型与机器学习模型的引入

信贷决策的核心是评估借款人的违约风险。从最早的专家判断到统计模型，再到如今的机器学习模型，信用评分技术经历了三个主要阶段。理解这些基础模型，是掌握可解释AI在信贷中应用的前提。

2.1 传统信用评分模型

传统模型以FICO评分和逻辑回归为代表，其核心优势在于高可解释性和监管合规性。

2.1.1 FICO评分模型

FICO评分由Fair Isaac Corporation开发，是北美最广泛使用的信用评分标准。它基于五大类指标加权计算得出，分数范围通常在300-850分之间。

2.1.2 逻辑回归模型

逻辑回归是信贷行业最经典的统计模型。它通过Sigmoid函数将线性回归的输出映射到[0,1]区间，输出即为违约概率。

数学形式：
P(y=1|X) = 1 / (1 + e^(-z))
其中 z = β₀ + β₁x₁ + β₂x₂ + ... + βₙxₙ

逻辑回归的可解释性体现在系数β上：每个特征x的系数直接表示该特征对违约概率的对数几率的影响。例如，若β₁=0.5，则x₁每增加一个单位，违约的几率比（odds）增加约65%（e^0.5≈1.65）。

2.2 机器学习模型的引入

为了突破传统模型的线性假设限制，信贷行业开始引入梯度提升决策树（GBDT）和神经网络等机器学习模型。这些模型能够自动学习特征间的非线性关系和复杂交互，显著提升预测精度。

2.2.1 GBDT模型

GBDT通过迭代训练决策树，每棵新树拟合前一棵树的残差。XGBoost、LightGBM和CatBoost是信贷领域最常用的GBDT变体。

• 优势： 自动处理缺失值、对异常值鲁棒、特征重要性可直接输出、训练速度快。
• 可解释性挑战： 虽然可以输出特征重要性（Feature Importance）和SHAP值，但单棵决策树的决策路径难以在数百棵树中追溯。
• 典型应用： 反欺诈规则引擎、申请评分卡（Application Scorecard）的辅助模型。

2.2.2 神经网络模型

神经网络通过多层非线性变换学习高维特征表示。在信贷场景中，通常使用2-4层的全连接网络或嵌入层处理稀疏特征。

典型结构：
输入层（特征数） → 隐藏层1（64节点，ReLU） → Dropout(0.3) 
→ 隐藏层2（32节点，ReLU） → Dropout(0.3) → 输出层（1节点，Sigmoid）

• 优势： 能捕捉极其复杂的非线性模式，适合图像、文本等非结构化数据（如身份证照片识别、收入证明文本分析）。
• 可解释性挑战： 权重和激活函数高度耦合，无法直接解释单个特征的影响。需要依赖Grad-CAM、LIME、SHAP等事后解释方法。
• 典型应用： 替代数据评分（如手机使用行为、社交网络数据）、贷后监控。

2.3 模型对比与演进路径

下表总结了传统模型与机器学习模型在信贷决策中的关键差异：

2.4 信贷模型演进结构图

下图展示了从传统模型到机器学习模型的演进路径，以及可解释AI在其中的定位：

2.5 模型选择决策流程

在实际信贷项目中，模型选择通常遵循以下决策流程：

1. 业务需求定义： 是用于申请评分（需要高解释性）还是贷后监控（需要高精度）？
2. 数据审计： 数据量是否足够（>10万样本）？特征维度是否过高（>100维）？是否存在大量缺失值？
3. 基线模型： 先跑逻辑回归作为基线，获取可解释的基准性能。
4. 复杂模型尝试： 如果基线性能不足，引入GBDT或神经网络，同时记录SHAP值。
5. 可解释性验证： 使用XAI工具检查复杂模型是否学到了符合业务逻辑的模式（例如“收入越高风险越低”是否成立）。
6. 部署决策： 如果复杂模型在精度提升超过5%且XAI解释合理，则部署；否则回退到逻辑回归。