Une entreprise a besoin d'un modèle de machine learning interprétable pour évaluer le risque lié aux demandes de prêt. Quel choix de modèle ou d'algorithme satisfait le mieux l'exigence d'interprétabilité ?

Le modèle de régression logistique est un excellent choix pour l'interprétabilité car il fournit des coefficients pour chaque variable, indiquant leur impact sur la probabilité du résultat. Cela permet aux banques de comprendre précisément quels facteurs influencent le risque de crédit et dans quelle mesure. Les modèles de deep learning sont généralement des "boîtes noires" et difficiles à interpréter. L'algorithme de clustering K-means est une méthode non supervisée utilisée pour regrouper des données, non pour prédire un risque. L'algorithme Random Cut Forest est principalement utilisé pour la détection d'anomalies, pas pour l'interprétabilité des facteurs de risque.