@masterthesis{Nacke, type = {Bachelor Thesis}, author = {Nacke, Marius}, title = {K{\"u}nstliche Intelligenz zur Vorhersage von Kreditentscheidungen}, school = {Hochschule Rhein-Waal}, abstract = {Seit der Versch{\"a}rfung der Kreditrichtlinien im Jahr 2022 ist es zunehmend schwieriger geworden, einen Kredit in Deutschland und im europ{\"a}ischen Raum zu erhalten. Das Interesse an Krediten ist zuletzt ungeachtet dieser Erschwernisse angestiegen. Vergleichs- und Vermittlungsportale f{\"u}r Kredite k{\"o}nnen potenziellen Darlehensnehmern aktuell nur in begrenztem Maße dabei unterst{\"u}tzen, eine genehmigte Kreditanfrage zu erhalten. Die Vorhersage der Kreditentscheidungen von Banken kann als Basis f{\"u}r weitere Methoden fungieren, die Kreditnehmern helfen k{\"o}nnen, die Wahrscheinlichkeit einer Genehmigung zu erh{\"o}hen. In der vorliegenden Arbeit wird daher untersucht, welche Verfahren des Machine-Learning am ehesten f{\"u}r die Vorhersage von Kreditentscheidungen geeignet sind. Dazu werden die Daten der Yareto GmbH, eines Vergleichs- und Vermittlungsportals f{\"u}r Fahrzeugkredite, f{\"u}r das Training sowohl eines Logistischen-Regressions- und XGBoost-Modells als auch eines Multilayer-Perceptrons verwendet. Das XGBoost-Modell erreicht dabei die h{\"o}chste Accuracy und Precision mit 73,6\\% bzw. 76,1\\% bei einer Trainingszeit von lediglich 55 Minuten. Das Multilayer Perceptron kann eine {\"a}hnlich hohe Accuracy erreichen, bedarf allerdings mehr als zehn Stunden f{\"u}r das Training. Demnach ist XGBoost am ehesten von den drei untersuchten Verfahren zur Vorhersage von Kreditentscheidungen geeignet.}, language = {de} }