Evalvacija metod strojnega učenja pri napovedovanju finančnega propada podjetijŠifrer, Ožbej (Avtor) Kljajić Borštnar, Mirjana (Mentor) Strojno učenjepodatkovna analitikafinančni propad podjetijinterpretabilnost modelovevalvacija metodZaključno delo obravnava evalvacijo metod strojnega učenja pri napovedovanju finančnega propada podjetij ter raziskuje njihov potencial pri analizi finančnih podatkov. Namen dela ni razvoj produkcijskega napovednega modela, temveč poglobljeno razumevanje, kako različne metode strojnega učenja obravnavajo kompleksnost finančnih kazalnikov, kako stabilne so njihove napovedi in katere značilke imajo največji vpliv na prepoznavanje podjetij z večjim tveganjem propada. V raziskavi je preizkušen širši nabor metod strojnega učenja, ki se razlikujejo v pristopu k učenju, obravnavi nelinearnosti in občutljivosti na neuravnotežene podatke. Modeli so ovrednoteni z metrikami, kot so ROC AUC, natančnost in občutljivost, kar omogoča primerjavo njihove učinkovitosti in robustnosti. Poseben poudarek je namenjen interpretabilnosti modelov, ki je v finančnem sektorju ključnega pomena. Uporabljeni sta dve dopolnjujoči se metodi, in sicer SHAP analiza, ki omogoča vpogled v prispevek posameznih značilk k napovedi, ter ablacijska analiza, ki preverja odvisnost modelov od posameznih vhodnih spremenljivk. Delo poudarja, da strojno učenje predstavlja pomemben potencial pri analizi finančnega zdravja podjetij, saj omogoča odkrivanje skritih vzorcev, boljše razumevanje dejavnikov tveganja in razvoj interpretabilnih analitičnih orodij. Priporočila za nadaljnje delo vključujejo uporabo aktualnejših podatkov, razširitev nabora modelov, izboljšanje obravnave neuravnoteženosti in vključitev naprednih metod interpretabilnosti. Delo prispeva k boljšemu razumevanju možnosti uporabe sodobnih metod strojnega učenja pri podpori odločanja v financah in na področju upravljanja tveganj.20262026-07-08 14:42:35Diplomsko delo/naloga98795sl