Datenqualität entscheidet: Wie Fehler ML-Modelle für Kreditrisikobewertung schwächen
In der heutigen Kreditvergabe spielen maschinelle Lernmodelle eine immer größere Rolle. Ihre Leistungsfähigkeit hängt jedoch stark von der Qualität der Eingangsdaten ab. Ein neues Papier aus dem arXiv‑Repository untersucht, wie fehlende Werte, Rauschen, Ausreißer und fehlerhafte Labels die Vorhersagegenauigkeit von Kreditrisikobewertungen beeinflussen.
