Abb. 2: Transparente Datenprozesse (Beispiel in der Sof tware RapidMiner) Abb. 3: Identifikation der wesentlichen Einflussfaktoren/ Treiber durch Shapley-Values für einen Kunden. Negative Zahlen bedeuten eine Steigerung der Ausfallwahrscheinlichkeit, positive eine reduzierte Ausfallwahrscheinlichkeit. Abb. 4: Einfluss der gewählten Kriterien auf die Performance desModells. Die besten Einflussfaktorenwurdenmittels desMRMR-Algorithmus ausgewählt. Rang Einflussfaktor/Treiber Importance Wert aktueller Kunde Durchschnittswert aller Kunden 1 Expense to Revenue Ratio -11,22% 0,14 0,73 2 Net Profit Margin -3,53% 0,05 0,07 3 Liability to Equity -1,64% 0,05 0,12 4 Working Capital Requirement -1,03% 32,54 36,76 5 Short TermDebt to Sales Ratio -0,48% 1,42 2,12 6 Debt to Capital Ratio -0,47% 0,13 0,11 7 Interest Coverage Ratio -0,36% 1,28 0,80 8 Net Debt to Equity Ratio -0,25% 0,23 0,25 9 Long TermDebt to Tangible Asset -0,25% 1,05 0,70 10 Return on Equity -0,17% 0,04 0,16 11 Debt Cash Flow Coverage Ratio -0,15% 0,78 1,44 12 Fixed Asset to Debt Ratio -0,15% 1,13 1,70 13 Long TermDebt to Asset -0,13% 1,29 1,63 14 Return on Invested Capital -0,07% 0,13 0,25 15 Gross Profit Margin 0,06% 0,02 0,17 16 Long Term Financing of Working Capital 0,08% 0,30 3,90 Learner Anzahl der gewählten Einflussfaktoren Accuracy Mittelwert Random Forrest 1 74,90% Random Forrest 2 82,60% Random Forrest 5 85,10% Random Forrest 10 86,90% Random Forrest 15 84,60% Random Forrest 19 94,60% Die Darstellung des kompletten Datenflusses Anwendungsbeispiel: Wahrscheinlichkeit eines Kreditausfalls Güte der Vorhersage
RkJQdWJsaXNoZXIy Mjc4MQ==