Una empresa necesita un modelo de machine learning interpretable para evaluar el riesgo de las solicitudes de préstamos. ¿Qué modelo o algoritmo satisface mejor el requisito de interpretabilidad?

El modelo de regresión logística es la mejor opción porque es inherentemente interpretable. Cada coeficiente del modelo representa el cambio en el logaritmo de las probabilidades de la variable objetivo (riesgo de préstamo) por cada unidad de cambio en la variable predictora, manteniendo las demás constantes. Esto permite entender la influencia de cada factor en la decisión de riesgo. Los modelos de deep learning son conocidos por su "caja negra" y son difíciles de interpretar. El algoritmo de clustering K-means es un método de aprendizaje no supervisado para agrupar datos, no para predecir ni interpretar relaciones causales. Random Cut Forest es un algoritmo de detección de anomalías, no diseñado para la interpretabilidad de predicciones de riesgo.