| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Kredītsaistību neizpildes prognozēšana izmantojot mašīnmācīšanās modeļus |
| Title in English |
Credit Default Prediction Using Machine Learning Models |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Jegors Fjodorovs |
| Reviewer |
Klāvs Zutis |
| Abstract |
Darbā tika pētīta loģiskās regresijas, gadījuma meža, gradient boosting un
neironu tīklu mašīnmācīšanās modeļu spēja prognozēt kredītsaistību neizpildes
iestāšanos. Mašīnmācīšanās modeļi tika trenēti izmantojot publiski pieejamos datus
par “LendingClub” izsniegtajiem aizdevumiem. Modeļu veiktspēja tika salīdzināta
izmantojot ROC AUC, PR AUC, precizitāti, atsaukšanu, F1-rādītāju un Brier score
metrikas. Papildus tika izpētīts, kuri faktori kredītsaistību neizpildes prognozēšanu
ietekmē vairāk un kāds prognozēšanas “slieksnis” pie konkurētajiem apstākļiem sniedz
precīzāko prognozēšanu. No veiktās mašīnmācīšanās modeļu salīdzināšanas tika
noskaidrots, ka prognozēšanai atbilstošākais mašīnmācīšanās modelis ir gradien
boosting mašīnmācīšanās modelis.
Darbs rakstīts latviešu valodā, darba apjoms ir 53 lapaspuses. Darbs sastāv no
9 tabulām, 10 attēliem, 22 formulām, 19 literatūras avotiem un 13 pielikumiem. |
| Keywords |
MAŠINMĀCĪŠANĀS, KREDĪTSAISTĪBU NEIZPILDE, PROGNOZĒŠANAS “SLIEKSNIS” |
| Keywords in English |
MACHINE LEARNING, LOAN DEFAULT, PREDICTIVE THRESHOLD |
| Language |
lv |
| Year |
2025 |
| Date and time of uploading |
05.06.2025 20:33:40 |
