陈为民，赵艳秋

（湖南科技大学商学院，湖南 湘潭 411100）

1.引言

机器学习常被应用于评估P2P领域内的借款人信用风险，信用风险评估（也称贷款违约预测）是利用不同的特征解释和预测借款人未按要求偿还贷款的过程，最终目的是为了帮助投资人做出决策以及借款人的信用得到合理的评估。通过阅读P2P信用风险评估领域的文献，我们可以发现，越来越多的研究使用信用风险评估模型来评估违约风险，并不断提出精确度更为优秀的评估模型，从传统的统计模型，发展到如火如荼的机器学习模型，以及近年来备受推崇的组合模型，但可以发现除模型准确度之外，可解释性也应被人们所重视。

虽然现有研究者们提出了一个又一个准确度极高的评估模型，但不排除最后得到的结果只是一堆“看上去”毫无意义的模型参数和高的准确度。而我们需要得到的不仅仅是准确的结果，我们也需要了解我们从数据或特征中学到了哪些知识，从而导致我们产生了最终的决策，这也是为什么在机器学习构建的模型准确率很高的情况下，统计模型依旧备受推崇的原因之一。如果一个模型完全不可解释，那么在很多领域的应用就会因为没办法给出更多可靠的信息而受到限制。

本文的可能贡献在于，基于真实的人人贷数据，在保证信用评估准确性的同时，利用LIME算法对借款人信用风险评估结果进行解释，希望可以为P2P领域内的信贷决策助力。……