설명가능한 인공지능을 활용한 개인 신용카드 채무불이행 예측 연구

Abstract

본 연구는 개인 신용카드 채무불이행 예측을 위해 로지스틱 회귀 모형과 XGBoost 모형의 성능을 실증 비교하고, 설명가능 인공지능(eXplainable Artificial Intelligence, XAI) 기법을 통해 모형의 해석 가능성을 강화하는 것을 목적으로 하였다. 이를 위해 캐글의 아메리칸 익스프레스 데이터를 활용하여 계수 기반, gain 기반, SHAP(SHapley Additive exPlanations) 기반 방법으로 변수 중요도를 비교 분석한 결과는 다음과 같다. 첫째, 두 모형 모두 우수한 예측 성능을 보였으나, XGBoost는 혼동행렬 분석에서 False Negative(제2종 오류)가 발생하지 않아 실제 채무불이행 고객을 완벽히 식별하였다. 이는 금융기관의 손실을 방지하는 리스크 관리 측면에서 중요한 실무적 의의를 지닌다. 둘째, SHAP 분석을 통해 신용점수, 과거 연체 이력, 신용한도 사용률이 채무불이행 예측에 핵심 변수임을 확인하였다. SHAP는 샤플리값을 기반으로 변수 간 상호작용을 고려하면서 개별 예측에 대한 변수별 기여도를 명확히 분해하여, 전통적 방법론인 단순 계수 또는 gain 기반 분석 대비 해석 가능성을 크게 향상시켰다. 이는 금융 실무에서 요구되는 모형의 투명성과 신뢰성을 확보하는 데 중요한 근거를 제공한다.