[论文解读] Towards Explainability of Machine Learning Models in Insurance Pricing

Kevin Kuo, Daniel E. Lupton|arXiv (Cornell University)|Mar 24, 2020

Explainable Artificial Intelligence (XAI)参考文献 15被引用 9

一句话总结

本文提出了一套用于解释财产与意外保险定价中机器学习模型的框架，采用模型无关的可解释性技术，如SHAP值和部分依赖图。它展示了这些方法如何阐明单个投保人的风险驱动因素，并支持监管合规，从而推动在精算实践中实现透明、可解释的机器学习应用。

ABSTRACT

Machine learning methods have garnered increasing interest among actuaries in recent years. However, their adoption by practitioners has been limited, partly due to the lack of transparency of these methods, as compared to generalized linear models. In this paper, we discuss the need for model interpretability in property & casualty insurance ratemaking, propose a framework for explaining models, and present a case study to illustrate the framework.

研究动机与目标

• 解决机器学习模型缺乏透明度的问题，该问题阻碍了其在受监管的保险定价中的应用。
• 通过开发一种解释模型行为的框架，克服黑箱模型的局限性，使监管机构和利益相关方能够理解模型。
• 为精算师提供工具，以验证和传达模型决策，特别是针对单个投保人和风险因素的决策。
• 弥合高性能机器学习模型与传统精算标准之间的差距，后者要求具备可解释性和可审计性。
• 在保持与精算标准（如ASOP 41）一致的前提下，实现可解释的机器学习在定价中的实际应用。

提出的方法

• 应用SHAP（Shapley加性解释）计算实例级别的特征贡献，确保解释的一致性和理论基础。
• 使用部分依赖图（PDP）可视化单个预测变量对预测损失成本的边际影响。
• 实施瀑布图，将单个预测分解为每个特征的贡献，起始于全局模型截距。
• 采用模型无关的技术，无需访问模型架构，从而可广泛应用于多种机器学习模型。
• 整合LIME和ALE图作为补充方法，评估局部和条件下的预测变量敏感性。
• 围绕关键精算问题组织解释：模型如何影响单个消费者，以及预测变量如何与预期损失相关。

实验结果

研究问题

• RQ1 如何使保险定价中的机器学习模型对监管机构和利益相关方具有可解释性？
• RQ2 哪些技术能够有效解释个体投保人预测中各风险因素的贡献？
• RQ3 预测变量如何在不同投保人画像下影响预期损失成本？
• RQ4 如SHAP和PDP等模型无关的解释方法在多大程度上支持符合精算标准（如ASOP 41）的要求？
• RQ5 可解释性框架能否帮助精算师在不牺牲预测性能的前提下验证和沟通复杂的机器学习模型？

主要发现

• SHAP值能够为非加性模型中的特征贡献提供一致且基于博弈论的解释。
• 瀑布图能有效将模型预测分解为每个特征的加性贡献，起始于全局截距。
• 部分依赖图揭示了预测变量与预期损失成本之间的边际关系，突出显示了非线性效应。
• 模型无关技术（如LIME和ALE图）为局部和条件下的预测变量行为提供了互补见解。
• 该框架使精算师能够回答关于模型公平性和风险驱动逻辑的关键监管问题。
• 案例研究表明，当与适当的解释工具结合时，机器学习模型既能高度预测准确，又具备可解释性。