<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>2091</id>
    <completedYear/>
    <publishedYear>2024</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2024-11-05</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2024-09-09</thesisDateAccepted>
    <title language="deu">Künstliche Intelligenz zur Vorhersage von Kreditentscheidungen</title>
    <abstract language="deu">Seit der Verschärfung der Kreditrichtlinien im Jahr 2022 ist es zunehmend schwieriger geworden, einen Kredit in Deutschland und im europäischen Raum zu erhalten. Das Interesse an Krediten ist zuletzt ungeachtet dieser Erschwernisse angestiegen. Vergleichs- und Vermittlungsportale für Kredite können potenziellen Darlehensnehmern aktuell nur in begrenztem Maße dabei unterstützen, eine genehmigte Kreditanfrage zu erhalten. Die Vorhersage der Kreditentscheidungen von Banken kann als Basis für weitere Methoden fungieren, die Kreditnehmern helfen können, die Wahrscheinlichkeit einer Genehmigung zu erhöhen. In der vorliegenden Arbeit wird daher untersucht, welche Verfahren des Machine-Learning am ehesten für die Vorhersage von Kreditentscheidungen geeignet sind. Dazu werden die Daten der Yareto GmbH, eines Vergleichs- und Vermittlungsportals für Fahrzeugkredite, für das Training sowohl eines Logistischen-Regressions- und XGBoost-Modells als auch eines Multilayer-Perceptrons verwendet. Das XGBoost-Modell erreicht dabei die höchste Accuracy und Precision mit 73,6\% bzw. 76,1\% bei einer Trainingszeit von lediglich 55 Minuten. Das Multilayer Perceptron kann eine ähnlich hohe Accuracy erreichen, bedarf allerdings mehr als zehn Stunden für das Training. Demnach ist XGBoost am ehesten von den drei untersuchten Verfahren zur Vorhersage von Kreditentscheidungen geeignet.</abstract>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>CC BY-NC-ND 4.0 International - Namensnennung-Nicht kommerziell-Keine Bearbeitungen</licence>
    <author>Marius Nacke</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Kreditvergleichsportale</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Prognosen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche Intelligenz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Ensemble-Modelle</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Kreditentscheidungen</value>
    </subject>
    <collection role="institutes" number="">Fakultät Kommunikation und Umwelt</collection>
    <thesisPublisher>Hochschule Rhein-Waal</thesisPublisher>
    <thesisGrantor>Hochschule Rhein-Waal</thesisGrantor>
  </doc>
</export-example>
