Skip to main content
Disciplines
Automotive Business IT + Informatics Construction + Real Estate Electrical Engineering + Electronics Energy + Sustainability Insurance + Risk Finance + Banking Management + Leadership Marketing + Sales Mechanical Engineering + Materials
Events
DE
EN
Books
Journals
Topic Page
Marketing
Start single access now
Access for companies
EXTENDED SEARCH
Log in
Top
Published in:
Statistik heute Read chapter Read first chapter

2019 | OriginalPaper | Chapter

22. Fallstudie: Kreditwürdigkeit mit caret

Author : Sebastian Sauer

Published in: Moderne Datenanalyse mit R

Publisher: Springer Fachmedien Wiesbaden

Log in

Activate our intelligent search to find suitable subject content or patents.

search-config
loading …

Zusammenfassung

In dieser Fallstudie wird ein beliebtes Szenario für prädiktive Modellierung und für baumbasierte Verfahren vorgestellt. Die Leitfrage lautet: Anhand welcher personenbezogener Variablen kann man vorhersagen, ob ein Kunde einen Kredit zurückzahlen wird oder nicht? Im Rahmen dieser Fallstudie wird das R-Paket caret verwendet, welches eine einheitliche Syntax für eine Vielzahl prädiktiver Modelle bietet (die Syntax ist vergleichbar mit der von mosaic). Die Fallstudie bearbeitet die wichtigsten Stufen einer solchen Analyse: vom Daten aufbereiten, über Modelle anpassen und vergleichen weiter zur Kreuzvalidierung bis hin zur Bestimmung der Prädiktorenrelevanz.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

inform now
previous chapter Baumbasierte Verfahren
next chapter Clusteranalyse
Footnotes
1
Allerdings ist Multikollinearität für Vorhersagemodelle, wo es darum geht, einen Wert möglichst exakt vorherzusagen, weniger ein Problem als für Erklärungsmodelle, wo es darum geht, die Art und Stärke des Einfluss von Prädiktoren zu ermitteln (vgl. Hyndman (2014), Punkt 3).
 
3
anyNA() bietet dazu einen Weg.
 
4
skimr(meine_tabelle).
 
5
count(GermanCredit, Class).
 
9
train %>% select(-name_der_variable) -> train.
 
10
attr(train, ″​high corr checked″​) <- TRUE.
 
11
Ja.
 
12
expand.grid(sex = c(″​w″​, ″​m″​, ″​x″​), age = c(″​jj″​, ″​j″​, ″​m″​, ″​a″​, ″​aa″​)).
 
13
\(3\cdot 5=15\).
 
14
Es ist eine Liste.
 
15
Ja.
 
16
Möchte man herausfinden, welche Tuningparameter ein Modell hat, so kann man die Funktion caret::modelLookup(″​svmRadial″​) verwenden; man übergibt der Funktion den Namen des Modells.
 
17
cm_svm2 <- confusionMatrix(data = svm_pred2, reference = test$Class).
 
18
Nein, die Gefahr, Zufallsrauschen überzubewerten, ist zu groß. Das Test-Sample sollte nur einmal verwendet werden. Das Modell ist immer an anderen Daten zu berechnen als zu testen.
 
19
modelLookup(″​model_name″​).
 
21
\(4\cdot 5=20\).
 
22
Ja.
 
23
str(svm_fit1$results).
 
24
Die besten Likelihood-Werte werden bestimmt durch bestimmte mathematische Verfahren wie Ableiten und Nullsetzen der Ableitung oder durch Ausprobieren.
 
25
Z. B. so attr(x = train$Class, which = ″​levels″​)[1]; mit str(train$Class) bekommt man die Information in ähnlicher Form. Schließlich kann man auch levels(test$Class) verwenden.
 
26
Mit count(train, Class) bekommt man die absoluten Häufigkeiten; die Anteile bekommt man einfach mit mosaic::tally(~Class, data = train, format = ″​proportion″​).
 
27
glm1 <- glm(Class ~ Amount + Age + Duration, family = ″​binomial″​, data = train).
 
28
Nein, die erste Faktorstufe wird als null verstanden; bei test$Class ist das Bad. Die zweite Faktorstufe ist das zu modellierende Ereignis; hier ist das Good.
 
29
Mit debug(compare_accuracies) kann man eine Funktion debuggen, d. h. auf Fehler prüfen.
 
30
test %>% summarise_all(is_binary) %>% gather %>% filter(value == TRUE) -> test_binaries.
 
31
test %>% select(one_of(test_binaries$key)).
 
Metadata
Title
Fallstudie: Kreditwürdigkeit mit caret
Author
Sebastian Sauer
Copyright Year
2019
Book
Moderne Datenanalyse mit R

Print ISBN: 978-3-658-21586-6

Electronic ISBN: 978-3-658-21587-3

Copyright Year: 2019

DOI
https://doi.org/10.1007/978-3-658-21587-3_22