Un'azienda necessita di un modello di machine learning interpretabile per valutare il rischio delle richieste di prestito. Quale modello o algoritmo soddisfa meglio il requisito di interpretabilità?

Il modello di regressione logistica è altamente interpretabile perché i coefficienti associati a ciascuna variabile predittiva indicano direttamente l'impatto di quella variabile sulla probabilità dell'output. Questo permette di comprendere chiaramente quali fattori contribuiscono al rischio di prestito e in che misura. I modelli di deep learning sono spesso "scatole nere" e difficili da interpretare. L'algoritmo di clustering K-means è un algoritmo non supervisionato utilizzato per raggruppare dati, non per la previsione interpretabile del rischio. L'algoritmo Random Cut Forest è utilizzato per il rilevamento di anomalie, non per un modello predittivo interpretabile del rischio di prestito.