Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen:
https://doi.org/10.21256/zhaw-26502| Publikationstyp: | Thesis: Bachelor |
| Titel: | Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken |
| Autor/-in: | Gisin, Cyrill |
| Betreuer/-in / Gutachter/-in: | Gramespacher, Thomas |
| DOI: | 10.21256/zhaw-26502 |
| Umfang: | 175 |
| Erscheinungsdatum: | 2022 |
| Verlag / Hrsg. Institution: | ZHAW Zürcher Hochschule für Angewandte Wissenschaften |
| Verlag / Hrsg. Institution: | Winterthur |
| Sprache: | Deutsch |
| Fachgebiet (DDC): | 006: Spezielle Computerverfahren 332: Finanzwirtschaft |
| Zusammenfassung: | Die Anwendung von zunehmend komplexeren Machine-Learning-Modellen verbessert im Allgemeinen zwar die Vorhersagegenauigkeit, geht jedoch mit einer anwachsenden Intransparenz einher. Im Kontext der Kreditwürdigkeit ergibt sich für Banken und sonstige Kreditinstitute hierbei typischerweise das Problem, dass die angewandten Modelle zwar eine hohe Performance aufweisen, deren Entscheidungsfindung aber nur schwer nachvollzogen werden kann. Das Verstehen der Funktionsweise des zugrundeliegenden Modells ist jedoch für den Kreditgeber nicht nur aus gesetzlichen Gründen von Relevanz, sondern auch um das Modell zu verbessern oder eine allfällige Voreingenommenheit und Diskriminierungen zu erkennen und das Modell entsprechend anzupassen. Die vorliegende Arbeit zeigt an einem Beispiel auf, wie trotz der Verwendung von einem komplexen Modell die damit einhergehende Intransparenz eingedämmt werden kann und untersucht deshalb exemplarisch die Wichtigkeit von einzelnen Einflussfaktoren beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken. Hierzu wird ein Random-Forest-Modell auf einem öffentlich zugänglichen Datensatz trainiert und darauf aufbauend dessen Entscheidungsfindung mit der Anwendung von Explainable-AI-Methoden erläutert, um die Blackbox aufzubrechen und die Funktionsweise des Modells vollumfänglich zu verstehen, wobei die ermittelten Ergebnisse mit dem aktuellen Stand der Forschung verglichen werden. Das im Anhang ersichtliche Jupyter Notebook führt den Leser, beginnend bei der deskriptiven Analyse, durch den gesamten Machine-Learning-Prozess und zeigt die konkrete Anwendung von Permutation Feature Importance, Partial Dependence Plots und Shapley Values sowie deren Interpretation auf. Obwohl dies primär der exemplarischen Anwendung dient, geht aus den ermittelten Ergebnissen hervor, dass auf Basis des trainierten Machine-Learning-Modells die Kredithistorie, der Kreditbetrag, das Einkommen, die Kreditlaufzeit, der Heiratsstatus sowie der Wohnsitz zu den wichtigsten Eigenschaften gehören, wobei sich diese Erkenntnisse stark mit dem aktuellen Stand der Forschung im Bereich der Kreditwürdigkeit decken. Weiter kann durch die Anwendung von Explainable AI ermittelt werden, welches die optimalen Wertebereiche für die einzelnen Features sind und welche Kombinationen sich begünstigend auf die Kreditgenehmigung auswirken. Die in der vorliegenden Arbeit aufgezeigten Verfahren können Banken im Kontext der Kreditwürdigkeit helfen die Entscheidungsfindung ihrer Modelle zu verstehen, die gesetzlichen Bedingungen einzuhalten, die Rentabilität des Unternehmens sicherzustellen und Antragsstellern bei der Ablehnung eines Kredits gezielt aufzuzeigen, welches die ausschlaggebenden Faktoren hierfür sind. Insbesondere bei der Erläuterung einer Kreditablehnung gegenüber einem Antragssteller wird die Verwendung von sog. Waterfall-Plots empfohlen, da in diesen der exakte additive Beitrag der einzelnen Merkmale zum Gesamtergebnis ersichtlich ist und diese ohne technische Kenntnisse einfach verständlich sind. |
| URI: | https://digitalcollection.zhaw.ch/handle/11475/26502 |
| Lizenz (gemäss Verlagsvertrag): | CC BY-NC-ND 4.0: Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International |
| Departement: | School of Management and Law |
| Enthalten in den Sammlungen: | BSc Wirtschaftsinformatik |
Dateien zu dieser Ressource:
| Datei | Beschreibung | Größe | Format | |
|---|---|---|---|---|
| 2022_Gisin_Cyrill_BSc_WI.pdf | 17.53 MB | Adobe PDF |  Öffnen/Anzeigen |
Zur Langanzeige
Gisin, C. (2022). Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken [Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften]. https://doi.org/10.21256/zhaw-26502
Gisin, C. (2022) Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken. Bachelor’s thesis. ZHAW Zürcher Hochschule für Angewandte Wissenschaften. Available at: https://doi.org/10.21256/zhaw-26502.
C. Gisin, “Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken,” Bachelor’s thesis, ZHAW Zürcher Hochschule für Angewandte Wissenschaften, Winterthur, 2022. doi: 10.21256/zhaw-26502.
GISIN, Cyrill, 2022. Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken. Bachelor’s thesis. Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften
Gisin, Cyrill. 2022. “Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken.” Bachelor’s thesis, Winterthur: ZHAW Zürcher Hochschule für Angewandte Wissenschaften. https://doi.org/10.21256/zhaw-26502.
Gisin, Cyrill. Credit Scoring mit Random Forest : exemplarische Analyse der Wichtigkeit von einzelnen Einflussfaktoren zur Evaluation der Kreditwürdigkeit beim durch Machine Learning unterstützten Kreditgenehmigungsprozess von Banken. ZHAW Zürcher Hochschule für Angewandte Wissenschaften, 2022, https://doi.org/10.21256/zhaw-26502.
Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.