Skip to main content

2019 | OriginalPaper | Buchkapitel

22. Fallstudie: Kreditwürdigkeit mit caret

verfasst von : Sebastian Sauer

Erschienen in: Moderne Datenanalyse mit R

Verlag: Springer Fachmedien Wiesbaden

Aktivieren Sie unsere intelligente Suche um passende Fachinhalte oder Patente zu finden.

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.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

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!

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!

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!

Fußnoten
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)).
 
Metadaten
Titel
Fallstudie: Kreditwürdigkeit mit caret
verfasst von
Sebastian Sauer
Copyright-Jahr
2019
DOI
https://doi.org/10.1007/978-3-658-21587-3_22