Bei einem Rating wird die Kreditwürdigkeit eines Unternehmens bewertet. Je höher die Wahrscheinlichkeit zur Rückzahlung der eingegangenen Verpflichtungen eingeschätzt wird, desto geringer ist das Kreditrisiko. Mit einer verbesserten Ratingeinschätzung gehen multiple positive Effekte für das Unternehmen einher. Mittels maschinellen Lernens kann anhand verschiedener Finanzkennzahlen die Ausfallwahrscheinlichkeit unter anderem von Banken berechnet und somit ein Rating abgegeben werden. Dazu werden in dieser statistischen Untersuchung verschiedene Techniken des maschinellen Lernens (logistische Regression, Entscheidungsbaum, Random Forest sowie ein Multilayer-Perceptrons-Modell) herangezogen. Es wird auf die Prognosefähigkeit und -qualität der Modelle eingegangen sowie auf die Vor- und Nachteile der verwendeten Methoden interpretiert.