| Studiju veids |
bakalaura profesionālās studijas |
| Studiju programmas nosaukums |
Finanšu inženierija |
| Nosaukums |
Kredītsaistību neizpildes prognozēšana izmantojot mašīnmācīšanās modeļus |
| Nosaukums angļu valodā |
Credit Default Prediction Using Machine Learning Models |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Jegors Fjodorovs |
| Recenzents |
Klāvs Zutis |
| Anotācija |
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. |
| Atslēgas vārdi |
MAŠINMĀCĪŠANĀS, KREDĪTSAISTĪBU NEIZPILDE, PROGNOZĒŠANAS “SLIEKSNIS” |
| Atslēgas vārdi angļu valodā |
MACHINE LEARNING, LOAN DEFAULT, PREDICTIVE THRESHOLD |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
05.06.2025 20:33:40 |
