| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Izskaidrojamas mašīnmācīšanās pielietošana finanšu kredītu riska prognožu skaidrošanā |
| Nosaukums angļu valodā |
Application of Explainable Machine Learning in Explaining Financial Credit Risk Forecasts |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Arnis Staško |
| Recenzents |
Kārlis Roķis |
| Anotācija |
Finanšu kredītriska prognozēšanai ir izšķiroša nozīme finanšu iestāžu lēmumu pieņemšanas procesos. Tomēr šim nolūkam izmantoto mašīnmācīšanās modeļu pieaugošā sarežģītība bieži vien rada pārredzamības trūkumu, tādējādi finanšu analītiķiem ir grūti uzticēties modeļu prognozēm. Šajā pētījumā tiek pētīta izskaidrojama mākslīgā intelekta (XAI) metožu (LIME un SHAP), pielietošana finanšu kredītriska prognozēšanas modeļos. Mērķis ir novērtēt, cik efektīvi šīs metodes var sniegt skaidrus un saprotamus skaidrojumus sarežģītiem modeļa lēmumiem, tādējādi uzlabojot uzticēšanos un pārredzamību.
Pētījums ietver visaptverošu XAI metožu analīzi un to pielietojumu finanšu risku prognozēšanā, uz mašīnmācīšanos balstīta kredītriska modeļa izstrādi un tā prognozēšanas veiktspējas novērtējumu. Pēc tam pētījumā tiek izmantotas XAI metodes, lai interpretētu modeļa lēmumus un identificētu galvenos faktorus, kas ietekmē riska prognozes. Rezultāti sniedz ieskatu par šo izskaidrojamības metožu efektivitāti un to potenciālu uzlabot interpretējamību, atvieglot apzinātu lēmumu pieņemšanu un atbalstīt atbilstību normatīvajiem aktiem. Rezultāti veicina pastāvīgos centienus uzlabot uzticēšanos AI vadītam finanšu riska novērtējumam un izceļ labāko praksi XAI ieviešanai finanšu iestādēs. |
| Atslēgas vārdi |
Explainable AI (XAI), machine learning, financial credit risk, model interpretability, LIME, SHAP |
| Atslēgas vārdi angļu valodā |
Explainable AI (XAI), machine learning, financial credit risk, model interpretability, LIME, SHAP |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
28.05.2025 01:45:21 |
