| Form of studies |
Master |
| Title of the study programm |
Information Technology |
| Title in original language |
Mašīnmācīšanās algoritmi veselības risku identificēšanā |
| Title in English |
Machine Learning Algorithms for Identification of Health Risks |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Inese Poļaka |
| Reviewer |
Sergejs Paršutins |
| Abstract |
Ārstiem un dažādu jomu speciālistiem biežāk kļūst sarežģīti atklāt kopsakarības un cēloņus liela apjoma medicīnas datos, tādējādi datizraces un mašīnmācīšanās metodes būtiski palīdz prognozēt un agrīni diagnosticēt veselībai bīstamus riska faktorus un slimības. Darba izstrādes gaitā tiek analizētas Gistar un Uztura paradumu anketu datu kopas, prognozējot veselības risku, aptaukošanās, liekā un “normāla” svara būtiskākos faktorus un ar tiem saistītās slimības. Analītiskajā daļā pielietoja dažādas mašīnmācīšanās metodes: loģistiskā regresija, XGBoost, GBM, AdaBoost, CatBoost un nejaušais mežs, kā arī tika veikti vairāki eksperimenti ar mērķi balansēt mērķa klases. Rezultātu interpretējamībai tika izmantotas SHAP un LIME skaidrojošās metodes augstāko veiktspējas rezultātu modeļiem, uzzinot nozīmīgākos veselības riska ietekmes faktorus un ar to saistītās slimību prognožu varbūtības, kā arī piedāvājot parocīgu un vizuāli uzskatāmu modeli rezultātu atspoguļošanai. Darba apjoms – 106. lpp., 35 attēli, 9 tabulas, 13 pielikumi un 51 literatūras avots. |
| Keywords |
mašīnmācīšanās, klasifikācija, faktoru analīze, aptaukošanās, slimības risks |
| Keywords in English |
machine learning, classification, factor analysis, obesity, disease risk |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
18.05.2026 23:55:39 |
