Een bedrijf heeft een interpreteerbaar machine learning-model nodig om het risico van leningaanvragen te evalueren. Welke model- of algoritmekeuze voldoet het beste aan de eis van interpreteerbaarheid?

Een logistisch regressiemodel is de beste keuze voor interpreteerbaarheid, omdat het de relatie tussen invoerfuncties en de waarschijnlijkheid van een uitkomst (bijv. goedkeuring van een lening) direct kwantificeert. De coëfficiënten van het model geven duidelijk aan hoe elke functie bijdraagt aan het risico, wat essentieel is voor uitlegbaarheid in financiële besluitvorming. Deep learning-modellen zijn zeer complex en moeilijk te interpreteren vanwege hun gelaagde structuren. K-means clustering en Random Cut Forest zijn respectievelijk clustering- en anomaliedetectie-algoritmen, geen classificatiemodellen die direct interpreteerbare risicowaarschijnlijkheden bieden.