| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Datizraces metožu izmantošana anomāliju atklāšanai |
| Title in English |
Application of Data Mining Methods for Anomaly Detection |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Agris Ņikitenko |
| Reviewer |
Mihails Kovaļovs |
| Abstract |
Anomālijas ir datu kopas modeļi, kas atšķiras no paredzamās vai normālās
uzvedības. Šī darba mērķis ir izpētīt un salīdzināt plaši izmantoto datu ieguves metoţu
veiktspēju ar netradicionāliem algoritmiem, lai noteiktu piemērotāko pieeju anomāliju
atklāšanai. Anomāliju atklāšana ir ļoti svarīga daţādās jomās, piemēram,
kiberdrošībā, finansēs un veselības aprūpē, lai noteiktu nenormālu uzvedību. Lai to
panāktu, autors īstenoja sešus daţādus datu ieguves algoritmus: Logistiskā regresija,
lēmumu koks, izlases meţs, XGBoost, CatBoost un LightGBM. Šie algoritmi tika
piemēroti reālās pasaules datu kopai, konkrēti kredītkaršu krāpšanas datu kopai, lai
noteiktu anomālijas. Katra algoritma veiktspēja tika salīdzināta un novērtēta,
izmantojot tādus rādītājus kā precizitāte, precizitāte, atsaukšana, F1 rezultāts un AUC
rezultāts.
Šo darbu veido 3 nodaļas, kuru kopējais apjoms ir 56 lappuses. Turklāt tajā ir
8 tabulas un 42 attēli ar 65 atsaucēm. |
| Keywords |
Datu ieguve, Anomāliju noteikšana, Loģistiskā regresija, Lēmumu koks, Gadījuma meţs, XGboost, Catboost, LightGBM |
| Keywords in English |
Data mining, Anomaly detection, Logistic regression, Decision tree, Random forest, XGboost, Catboost, LightGBM |
| Language |
eng |
| Year |
2024 |
| Date and time of uploading |
28.05.2024 23:44:15 |
