Vor- und Nachteile des Random Forests
Sie möchten wissen, wie die Veränderung von Finanzparametern, wie z.B. Marktwerte und Buchwerte, schneller, einfacher und effizienter erklärt werden können?
Dies gelingt beispielsweise mithilfe der Maschine Learning Modelle Decision Tree oder Random Forest.
Beide Modelle haben Vor- und Nachteile. Um diese besser zu verstehen, hilft es sich ins Gedächtnis zu rufen, dass ein Random Forest einer Kombination mehrerer Decision Trees entspringt. Dabei erzeugt der Random Forest im Allgemeinen bessere Ergebnisse, weil mehrere Decision Trees durchlaufen werden, wodurch die Wahrscheinlichkeit einer falschen Klassifizierung geringer ist und Vorhersagen robuster werden.
Im Gegenzug lässt sich ein Decision Tree einfacher interpretieren, da man für jedes Geschäft “lokal” alle Abzweigung des Baumes (Aufteilung der Features) bis hin zu dem Blatt durchlaufen und nachvollziehen kann, indem sich das jeweilige Geschäft befindet. Beim Random Forest ist es schwieriger möglich das Modell auf nicht globaler Ebene zu interpretieren und den Forest zu verstehen.
Alles in allem kann je nach Sachverhalt das ein oder andere Modell geeigneter sein.
In diesen Artikeln geht es um weitere Modelle des Machine Learnings und deren Anwendung in den Bereichen Finance, Treasury und Risk: