Aufgabe: Das wollen Sie auch? Dann kontaktieren Sie uns jetzt!Beispiel Kreditkartenschulden: Klassifizierung hilft
Zahlungsausfälle durch Kreditkartenschulden – die machen aktuell bis zu achtstellige Beträge allein in Deutschland aus. Finanzdienstleister, Hotellerie, Gastronomie und Handel – alle stehen vor der selben Frage: Wird ein potenzieller Kunde bzw. Schuldner zahlen oder nicht? Und wenn nicht, welche Zahlungsausfälle drohen?Vorgehensweise:
Im Gegensatz zur Modellierung einer logistischen Regression mit all ihren Schwächen setzen wir auf modernste Methoden wie Ensemble-Modelle. Beispiel: Die Random-Forest-Methode führt hierbei zu signifikant akkurateren Prognosen. Sie ist im Machine Learning eine bewährte Lernmethode, unter anderem zur Klassifizierung und Regressionsanalyse.Zielsetzung:
Schnelle und nachvollziehbare Entscheidungen mit einfachem Algorithmus, leicht zu verstehen und flexibel anwendbar: Welche Methoden führen bei welcher Datenstruktur zum besten Ergebnis? Geht eine bessere Prognosengüte mit höherer Rechenkomplexität einher? Welche Faktoren sind bei der automatisierten Kreditvergabe entscheiden und welche bleiben uns verborgen?Fazit:
Random Forest eignet sich besonders für die Verarbeitung großer Datenmengen mit vielen Klassen, Merkmalen und Trainingsdaten und liefert eine bemerkenswerte Ergebnis- und Prognosepräzision.Eingesetzte Frameworks