Loan Default Interpretability 是一个关注贷款违约预测、模型可解释性和公平性的机器学习项目。它使用 Random Forest、SMOTE、SHAP、LIME、AIF360、Fairlearn 等工具，目标不仅是预测借款人是否违约，还要解释模型为什么这样判断，并评估不同群体是否受到不公平影响。

这个项目的价值在于它把信贷模型最容易被忽视的治理问题放到了核心位置。金融机构不能只说“模型准确率高”，还要回答：模型是否歧视某些群体？拒贷原因是否可解释？少数类违约样本是否被模型忽略？模型的召回率和误杀率如何权衡？

• 贷款违约二分类模型。
• 使用 SMOTE 处理违约样本不平衡。
• 使用 SHAP、LIME 等解释模型输出。
• 使用 AIF360、Fairlearn 等工具评估公平性。

这个项目适合学习信贷 AI 的治理视角：模型训练只是第一步，解释性、公平性、样本不平衡和业务阈值同样重要。银行从业者可以结合监管对模型风险管理、公平信贷、消费者权益保护的要求来理解。

• 贷款违约预测学习。
• 信贷模型解释性报告。
• 拒贷原因分析和客户沟通辅助。
• 模型公平性和偏差评估实验。
• 银行 AI 治理案例教学。

公平性指标不能机械套用，不同司法辖区和业务场景对敏感属性使用有不同限制。SMOTE 等技术也可能引入不真实样本。真实信贷模型必须经过法务、合规、风控和模型验证多方评审。