| Form of studies |
Professional Bachelor |
| Title of the study programm |
Financial Engineering |
| Title in original language |
Kredītspējas novērtēšanas metodes patēriņa kreditēšanā |
| Title in English |
Creditworthiness Assessment Methods in Consumer Lending |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Viktors Ajevskis |
| Reviewer |
Konstantins Kozlovskis |
| Abstract |
Mūsdienu finanšu nozarē precīza kredītriska novērtēšana ir būtisks elements
zaudējumu samazināšanai un efektīvai kredītportfeļa pārvaldībai. Tradicionālās
kredītspējas novērtēšanas metodes arvien biežāk tiek papildinātas ar mašīnmācīšanās
risinājumiem, kas spēj identificēt sarežģītākas sakarības starp klientu datiem un saistību
neizpildes risku. Šī pētījuma joma ir vērsta uz statistisko un mašīnmācīšanās metožu
pielietojumu klientu kredītspējas progozēšanā.
Bakalaura darba mērķis ir izpētīt un salīdzināt kredītspējas novērtēšanas metodes
patēriņa kreditēšanā, lai izvērtētu to priekšrocības un trūkumus, kā arī noteiktu
piemērotāko risinājumu efektīvai kredītriska pārvaldībai.
Darba ietvaros tika analizētas un praktiski salīdzinātas četras klasifikācijas
metodes –Loģistiskā regresija, Lēmumu koks, Nejaušais mežs (Random Forest) un
Gradienta pastiprināšana (Gradient Boosting). Pētījumā iegūtie rezultāti liecina, ka
visaugstāko kopējo klasifikācijas precizitāti uzrāda Nejaušais mežs (Random Forest)
modelis, sasniedzot 80.5% kopējo precizitāti (accuracy) rādītāju. Vērtējot modeļu
veiktspēju pēc F1-score rādītāja specifiski riskanto klientu segmentā, visaugstāko
efektivitāti uzrādīja Gradienta pastiprināšana (Gradient Boosting ) modelis ar F1
rādītāja (F1-score) vērtību 0.5825, padarot to par piemērotāko izvēli situācijās, kurās
primārais uzdevums ir neatpazītu kredītrisku novēršana. Tāpat pētījumā tika analizēti
katra modeļa pazīmju ietekmes svari, secinot, ka klienta konta statuss, kredīta summa
un līguma ilgums ir būtiskākie faktori maksātspējas prognozēšanā.
Dati par darba apjomu: Bakalaura darbs sastāv no 51 lappusēm, tajā ir ievietoti
5 attēli, 17 tabulas, 2 formulas un izmantoti 18 informācijas avoti. Darbam ir pievienoti
3 pielikumi. |
| Keywords |
Atslēgvārdi: kredītrisks, mašīnmācīšanās, klasifikācijas modeļi, lēmumu koki, loģistiskā regresija. |
| Keywords in English |
Keywords: credit risk, machine learning, classification models, decision trees, logistic regression. |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
26.05.2026 07:21:19 |
