Krāpniecisku kredītņēmēju noteikšana, izmantojot gadījuma meža un gradienta pastiprināšanas algoritmu

Abstract

Mašīnmācīšanās nozare attīstās ļoti strauji un mūsdienās tā tiek plaši pielietota dažādās nozarēs, ne tikai zinātnē. Viena no šādām nozarēm ir nebanku kreditēšanas sektors. Darbā aplūkoti trīs mašīnmācīšanās algoritmi, kas balstīti uz klasifikācijas kokiem - lēmumu koks, gadījuma mežs un gradienta pastiprināšanas metode. Darba mērķis ir teorētiski iepazīt un praktiski noskaidrot piemērotāko no modeļiem, lai spētu izvērtēt un prognozēt krāpnieciskus kredītu pieteikumus. Darba izpildei tiek izmantota programma R un tajā iebūvētās funkcijas.

As Machine Learning becomes more common, it is widely used in various industries. One of these industries is the non-bank lending sector. This thesis examines three machine learning algorithms that are based on classification trees - Decision tree, Random Forest and Gradient Boosting Machine. The goal is to gather the theory of these algorithms and to find the best fraud detection model in consumer financing. Data analysis and predictive modelling is done using R software.