| Form of studies |
Master |
| Title of the study programm |
Financial Engineering Mathematics |
| Title in original language |
Mašīnmācīšanās algoritmu ieviešana klientu kredītriska novērtēšanai |
| Title in English |
Implementation of Machine Learning Algorithms for Evaluating Customer Credit Risk |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Konstantins Kozlovskis |
| Reviewer |
Irina Voronova |
| Abstract |
Kredītriska novērtēšana ir viens no nozīmīgākajiem izaicinājumiem finanšu sektorā, kur klientu maksātspējas prognozēšana ir būtiska efektīvai biznesa pārvaldībai. Tradicionāli šis uzdevums balstīts uz statistiskām metodēm, taču pieaugošā datu apjoma un daudzveidības apstākļos arvien nozīmīgāku lomu ieņem mašīnmācīšanās algoritmu izmantošana. Maģistra darba mērķis ir izanalizēt mašīnmācīšanās algoritmu ieviešanas ietekmi uz klientu kredītriska novērtēšanu, salīdzinot to veiktspēju ar tradicionālajām statistiskajām pieejām. Darbā tiek analizēti astoņi plaši izmantoti algoritmi, tostarp loģistiskā regresija, naivais Beijesa klasifikators, K-tuvāko kaimiņu metode, atbalsta vektoru mašīna, gadījuma meži, kā arī gradienta bustinga algoritmi – XGBoost, LightGBM un CatBoost. Iegūtie rezultāti parāda, ka mašīnmācīšanās modeļi demonstrē augstāku prognožu veiktspēju kredītriska modelēšanas uzdevuma risināšanā salīdzinājumā ar tradicionālajiem lineārajiem modeļiem. Maģistra darbā ir 73 lappuses, 16 attēli, 5 tabulas, 6 pielikumi un 53 informācijas avoti. |
| Keywords |
Mašīnmācīšanās, Kredītspējas izvērtēšanas metodes, Algoritmu veiktspēja |
| Keywords in English |
Machine learning, Credit scoring methods, Algorithm performance |
| Language |
lv |
| Year |
2025 |
| Date and time of uploading |
30.05.2025 14:19:57 |
