Information Technology Reference
In-Depth Information
Dieses Aussehen ist dann als folgende Aussage zu interpretieren:
Wenn
• Jemand den Kredit nicht zurückzahlt bei einer Laufzeit von 36 bis 48 Monaten, noch
nicht lange bei seinem Arbeitgeber beschäftigt ist, die Ratenhöhe nicht mehr als 20 %
seines Einkommens ausmacht und er jünger als 25 ist,
dann kann man aufgrund der Datenkonstellation davon ausgehen, dass er
• entweder noch kein Kreditengagement eingegangen ist oder alles ordnungsgemäß zu-
rückgezahlt hat,
• materielle Dinge dafür gekauft hat,
• die Darlehenshöhe zwischen 5000 € und 15.000 € lag,
• kein Sparkonto bekannt ist,
• er nicht männlich und geschieden oder sie weiblich und ledig ist,
• es keine Bürgen gibt,
• er keinen Haus- und Grundbesitz hat,
• es keine vorherigen Ratenkredite bei der Bank gab,
• er drei oder mehr Personen zu versorgen hat,
• er kein Gastarbeiter ist.
Wichtig ist dabei, dass die Adäquatheit bzw. die empirische Angemessenheit einer solchen
Regel der Algorithmus nicht bestimmen kann, sondern dass hierfür der Experte gefordert
ist, die Qualität einer solch gefundenen Lösung zu beurteilen.
Generell lohnt es sich, beim Einsatz von genetischen Algorithmen mit den Mutations-
raten zu experimentieren. Dabei zeigt sich, dass an den Stellen, an denen die Fitness stark
ansteigt, sich interessante Lösungen verbergen. Beispielsweise zeigt sich in dem Anwen-
dungsfall, dass eine optimale Fitnessentwicklung dann vorliegt, wenn die Mutationsrate
zunächst niedrig gehalten wird und dann in einer späteren Phase - wenn die Population
sehr homogen wird - höher angesetzt wird. Um möglichst verschiedene Regeln aus dem
Algorithmus zu gewinnen, hat sich daher folgende Vorgehensweise bewährt:
• •Betrachtung früher Populationen, beispielsweise unterhalb 50 Generationen.
• Auswählen und Validieren der besten Individuen im Laufe des Algorithmus.
• Mehrmaliges Durchlaufen des Algorithmus zur Ermittlung der jeweils besten Regel.
Insgesamt stellen genetische Algorithmen zur Findung von Regelzusammenhängen einen
brauchbaren Lösungsansatz dar. Gegenüber den anderen Ansätzen in diesem Buch zeich-
nen sich genetische Algorithmen vor allem dadurch aus, auch „Regeln außer der Reihe“,
d. h. „unkonventionelle“ Regeln zu finden, die natürlich von einem Experten bewertet
werden müssen, um dann aus den gefundenen Regeln die vermeintlich „richtigen“ aus-
wählen.
