动手三步

1. 点工具下方的「贷款审批预测」标签页（页面打开时可能停在「图像分类」），每次打开会随机抽一位申请人
2. 在左边改一个数（建议把「贷款金额」改小），或换一个下拉项（建议把「还款期限」从 60 个月换成 36 个月），回车后看右上角的可能性和「批准 / 拒绝」怎么变
3. 看右下角的条形图：蓝色向右是加分，粉色向左是扣分，条越长影响越大。加扣分是从「平均申请人」（本模型约 86%）算起的，所以 10 条全是扣分，结果也可能仍在 50% 的批准线以上

课堂怎么用

• 用贷款被拒的案例讨论：申请人有权知道被拒的哪些理由（可结合个人信息保护法第二十四条）
• 对比「贷款审批预测」和「图像分类」两个标签页：表格数据按特征分功劳，图片按区块分功劳
• 指着「工作年限（8 年=是）」在扣分反问：工作 8 年会让人不还钱吗？说明 SHAP 讲的是模型怎么算，不是现实里什么导致违约
• 「文本有害内容检测」标签页课堂不要打开，原因见已知限制

思考题

1. 贡献最大的特征一定是「原因」吗？
2. 10 个特征全在扣分，结论却是「批准」，这是怎么回事？

已知限制

• 演示视频已隐藏
• 「文本有害内容检测」标签页会随机抽取真实网络评论数据集里的句子，可能出现冒犯性英文语句，课堂演示请只用「贷款审批预测」和「图像分类」两个标签页
• 文本模型只用英文训练，输入中文会被整句变成一个 [UNK] 并判成「0% 有害」，不能用来测中文
• 特征是美国信贷口径（FICO 信用分、循环信贷余额、信用额度使用率、债务收入比），年收入与贷款金额的单位是美元，页面上没有标注；LendingClub 是美国的 P2P 网贷平台
• 页面不显示基准值，输入框也不做校验（年收入填负数照样算）；首次加载约 43 MB，请课前 10 分钟先打开