Comparativa de modelos de Machine Learning interpretables para la predicción de riesgo crediticio

Artificial Intelligence systems are widely used and are increasingly impacting people's daily lives, largely due to advances in Machine Learning and their high accuracy. Models are often opaque and make it difficult to understand their logic. Their interpretability becomes more necessary, especially in high-risk domains. This work has focused on the financial domain, in the task of credit risk prediction, on the data set of home equity loan applications (HELOC). Different models have been proposed and techniques have been applied to obtain interpretable models. Interpretability metrics have been defined, which allow the comparison of models based on interpretability criteria and not only on accuracy. The results obtained show that the choice of a model should not only be based on accuracy, but should also maintain a balance between accuracy and interpretability.Los sistemas de Inteligencia Artificial son ampliamente utilizados e impactan en la vida diaria de las personas de forma creciente, en gran medida debido al avance en Machine Learning y su alta precisión. Los modelos suelen ser opacos y dificultan el entendimiento de su lógica. Su interpretabilidad se hace más necesaria, sobre todo en dominios de alto riesgo. Este trabajo se ha centrado en el dominio financiero, en la tarea predicción de riesgo crediticio, sobre el conjunto de datos de solicitudes de crédito con garantía hipotecaria (HELOC). Se han planteado distintos modelos y aplicado técnicas para obtener modelos interpretables. Se han definido métricas de interpretabilidad, que permiten la comparativa de modelos atendiendo a criterios de interpretabilidad y no únicamente de precisión. Los resultados obtenidos muestran que la elección de un modelo no solo debe estar basado en la precisión, sino que debe mantener un equilibrio entre precisión e interpretabilidad