| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Mašīnmācīšanās metožu pielietošana loteriju rezultātu prognozēšanā |
| Title in English |
Application of Machine Learning Methods for Lottery Results Prediction |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Inese Poļaka |
| Reviewer |
Armands Baranovskis |
| Abstract |
Mašīnmācīšanās metodes arvien plašāk tiek izmantotas datu analīzē un
prognozēšanas uzdevumos, tomēr to pielietošana loteriju rezultātu prognozēšanā ir
ierobežota loteriju nejaušā rakstura dēļ. Tādēļ bakalaura darbā “Mašīnmācīšanās
metožu pielietošana loteriju rezultātu prognozēšanā” loteriju dati tiek aplūkoti ne tikai
kā prognozēšanas uzdevums, bet arī kā piemērs mašīnmācīšanās modeļu salīdzināšanai,
un to darbības novērtēšanai sarežģītos un nejaušos datos. Darba mērķis ir izpētīt un
empīriski novērtēt mašīnmācīšanās metožu pielietošanas iespējas loteriju rezultātu
analīzē un prognozēšanā, salīdzinot dažādu modeļu darbību pēc vienotiem kvalitātes
kritērijiem. Pētījumā izmantoti Vikinglotto un Eurojackpot vēsturiskie izložu dati no
VAS “Latvijas Loto” laika periodā no 2022. gada marta līdz 2026. gada janvārim.
Darba gaitā tika analizēta loteriju datu struktūra, izstrādāts Python programmēšanas
valodā un Flask ietvarā balstīts tīmekļa risinājums “Lottelligence”, kas nodrošina datu
ielādi, normalizēšanu, mašīnmācīšanās eksperimentu izpildi un rezultātu attēlošanu
lietotājam saprotamā veidā. Eksperimentālajā daļā loteriju rezultātu prognozēšanas
uzdevums definēts kā vairāku mērķa vērtību klasifikācijas uzdevums, kurā modeļi
prognozē skaitļu varbūtības, balstoties uz iepriekšējo izložu datiem. Salīdzināšanai
izmantoti loģistiskās regresijas, Random Forest un XGBoost tipa modeļi, bet to darbība
novērtēta ar LogLoss, Brier score, hit@K_main un hit@10 metrikām. Iegūtie rezultāti
parāda, ka mašīnmācīšanās metodes ļauj strukturēti analizēt loteriju datus un salīdzināt
dažādu modeļu darbību, tomēr to praktiskā izmantošana precīzai nākamo izložu
paredzēšanai ir ierobežota. Vikinglotto datu kopā stabilākus rezultātus pēc varbūtību
kvalitātes metrikām uzrādīja Random Forest modelis, savukārt Eurojackpot datu kopā
atsevišķās metrikās labāku sniegumu parādīja XGBoost tipa pieeja. Izstrādātais
risinājums ir vērtējams kā eksperimentāls datu analīzes un modeļu salīdzināšanas rīks,
nevis kā līdzeklis drošai loteriju rezultātu paredzēšanai.
Bakalaura darbā ir 67 lappuses, 20 attēli, 8 tabulas, 10 pielikumi un 38
informācijas avoti. |
| Keywords |
MAŠĪNMĀCĪŠANĀS, LOTERIJU DATU ANALĪZE, PROGNOZĒŠANA, LOĢISTISKĀ REGRESIJA, RANDOM FOREST, XGBOOST |
| Keywords in English |
MACHINE LEARNING, LOTTERY DATA ANALYSIS, PREDICTION, LOGISTIC REGRESSION, RANDOM FOREST, XGBOOST |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
25.05.2026 10:09:38 |
