Ein Unternehmen benötigt ein interpretierbares Machine-Learning-Modell, um das Risiko von Kreditanträgen zu bewerten. Welche Modell- oder Algorithmuswahl erfüllt die Anforderung an Interpretierbarkeit am besten?

Eine logistische Regression ist ein lineares Modell, das die Wahrscheinlichkeit eines binären Ergebnisses (z. B. Kredit genehmigt/abgelehnt) vorhersagt. Sie ist hochgradig interpretierbar, da die Koeffizienten direkt zeigen, wie jede Eingabevariable die Log-Odds des Ergebnisses beeinflusst. Dies ermöglicht es, nachzuvollziehen, warum ein bestimmter Kreditantrag als risikoreich eingestuft wird (z. B. aufgrund eines niedrigen Einkommens oder einer hohen Verschuldung). Ein Deep-Learning-Modell ist zwar leistungsstark, aber aufgrund seiner komplexen, nicht-linearen Struktur und der vielen Schichten nur schwer zu interpretieren ("Black Box"). K-Means-Clustering ist ein unüberwachter Algorithmus zur Gruppierung von Datenpunkten und nicht zur Vorhersage eines Risikos, zudem bietet er keine direkte Interpretierbarkeit der Entscheidungsfindung. Der Random Cut Forest-Algorithmus ist primär für die Anomalieerkennung konzipiert und bietet ebenfalls keine einfache Interpretierbarkeit für die Risikobewertung von Kreditanträgen.