TY - THES A1 - Christopher, Eric T1 - Interpretable AI : Implementierung von Generalized Additive Models zur Kreditrisikobewertung N2 - In dieser Bachelorarbeit wird untersucht, wie Generalized Additive Models (GAMs) und Random Forest zur Kreditrisikobewertung eingesetzt werden können, wobei der Fokus auf der Transparenz und Verständlichkeit der Modelle liegt. Gerade im Bereich der Kreditvergabe, wo es auf nachvollziehbare Entscheidungen ankommt, spielen diese Eigenschaften eine große Rolle. Die Ergebnisse zeigen, dass GAMs eine Vorhersagegenauigkeit von 83,12 % erreichen und durch ihre klare Struktur Einblicke in die Zusammenhänge zwischen den Eingabedaten und den Ergebnissen bieten. Auf der anderen Seite erzielt das Random Forest Modell mit 90,44 % eine höhere Genauigkeit, bietet aber wenig Transparenz, was die Entscheidungsfindung betrifft. Um dieses Problem zu lösen, wurden verschiedene Methoden wie LIME, SHAP und Feature Importance eingesetzt, die es ermöglichen, die Entscheidungen des Random Forest verständlicher zu machen. Die Arbeit zeigt, dass die Wahl des Modells stark von den Anforderungen des jeweiligen Anwendungsbereichs abhängt. Während GAMs besonders vorteilhaft sind, wenn Transparenz und Nachvollziehbarkeit entscheidend sind, können Black Box Modelle wie Random Forest in Kombination mit erklärenden Methoden ebenfalls nützlich sein, wenn es vor allem um hohe Vorhersagegenauigkeit geht. Insgesamt bietet die Arbeit praxisnahe Lösungen und zeigt, dass die richtige Balance zwischen Genauigkeit und Transparenz im Kreditrisikomanagement von großer Bedeutung ist. T3 - Abschlussarbeiten 2025 - 17 KW - AI KW - Machine Learning, KW - Kreditrisikobewertung KW - Generalized Additive Models KW - Random Forest Y1 - ER -