Uru:
- Ikike iji guzobe ụdị linear generalized (GLM), ihe dị ize ndụ, tarifu na echiche adịchaghị ihe egwu site na nkwado nke ọgụgụ isi na ịtụgharị asụsụ ọnụọgụ ka ọ bụrụ asụsụ azụmaahịa.
- Ikike itule nguzozi nke nhọrọ mgbanwe, mmekorita, oke, na nkọwa nke ụdị mmụta igwe (GBM) na ọgụgụ isi.
- Inwe ike ịghọta na ụdị ọnụahịa enweghị nnwere onwe site na mgbanwe amachibidoro / ịkpa oke na nnabata nke tarifu ikpeazụ na iwu na asọmpi ka a hapụrụ n'aka onye na-eme ihe.
A naghị ekpebi ọnụahịa nke amụma mkpuchi na enweghị usoro. Ihe ize ndụ nke ihe mberede okporo ụzọ maka onye dị afọ 22, onye nwere ikike ọhụrụ nke bi na nnukwu obodo dị elu karịa nke onye ọkwọ ụgbọ ala dị afọ 45 nwere ahụmahụ 20; Na usoro ziri ezi, ego akwụ ụgwọ kwesịkwara ịdị iche. Ọrụ onye na-eme ihe nkiri na-atụ ihe dị iche a ma na-egosipụta ya na ọnụahịa ka a na-akpọ ọnụahịa na nhazi ihe ize ndụ. N'ime nkeji a, anyị ga-atụle ụdị usoro n'ozuzu ya (GLM), ọkpụkpụ azụ azụ nke ịnye ọnụahịa, yana igwe mmụta ọzọ, wee hụ ka esi eji AI n'enweghị nsogbu na usoro a.
Okwu ole na ole bụ isi. Ihe ize ndụ bụ mgbanwe nke na-emetụta ihe ize ndụ ahụ ma jiri ya mee ihe na ọnụahịa (afọ, afọ ụgbọ ala, mpaghara, iji mee ihe). Tarifu bụ usoro iwu na-ekpebi ka a ga-esi gbakọọ ego ahụ dịka ihe ndị dị ize ndụ siri dị. Ego ihe ize ndụ bụ ọnụ ahịa mfu a na-atụ anya ya; Mgbe agbakwunyere mmefu, kọmitii, oke uru na ụgwọ isi obodo, a na-emepụta ego azụmaahịa (ọnụahịa ahịa). Ka anyị cheta site na mmalite: AI na-atụ aro mgbanwe, na-ewu ụdị, na-akọwa ọnụọgụgụ; Mana nke mgbanwe bụ iwu na ụkpụrụ yana ma tarifu ikpeazụ na-akwado iwu na asọmpi bụ nke actuary na ngalaba nnabata.
Kedu ihe kpatara GLM ji bụrụ ọkọlọtọ na actuarial
Ụzọ kachasị eji na ọnụahịa bụ GLM. GLM na-anọchi anya “ihe nlere n'ozuzu nke linear”: ọ na-agbatị nkwụghachi azụ n'ahịrị oge gboo iji dabara ebumnobi na-ekesaghị nke ọma, dị ka data mmebi. O nwere akụkụ abụọ bụ isi. Ezinụlọ nkesa: A na-ahọrọ Poisson maka ugboro ole, a na-ahọrọ gamma maka ike (echiche dị na nkeji 2). Ọrụ njikọ (njikọ): na-abụkarị logarithmic, nke na-enye ohere ka ihe ndị ahụ nwee mmetụta multiplicative. Nhazi ọtụtụ ihe bara ezigbo uru n'ọrụ n'ihi na otu a ka esi ahazi tarifu: base premium × age factor × region factor × ụgbọ ihe.
Ihe kachasị mma nke GLM bụ nkọwa. Otu ọnụọgụ na-agwa gị ozugbo: "Ndị na-eto eto na-anya ụgbọ ala na-abawanye ugboro site na 1.6 ugboro ma e jiri ya tụnyere otu ntụaka." Nghọta a dị oke egwu n'ụzọ atọ: (1) onye nchịkwa na nyocha nke ime nwere ike ịghọta ma kwado ihe nlereanya ahụ; (2) mmetụta amachibidoro / ịkpa ókè na-ahụ anya; (3) ọnụahịa ọnụahịa nwere ike ịkọwara ndị ahịa na njikwa njikwa. Ụdị mmụta igwe dị mgbagwoju anya (n'okpuru) mgbe ụfọdụ na-enye izi ezi dị elu, mana na-efu nke nghọta.
Ndụmọdụ: ọnụọgụ GLM dị n'ọkwa ndekọ. Rịọ AI ka ọ gbanwee ọnụọgụgụ ka ọ bụrụ "ihe na-abawanye ụba" na exp(ọnụọgụ); Ọ ga-adị mfe ịsụgharị n'asụsụ azụmahịa (dịka ọnụọgụ 0.47 → ihe ≈ 1.60 → "60% dị ize ndụ").
Nhọrọ dịgasị iche iche, nfefe na mmụta igwe
Mkpebi kachasị mkpa na ọnụahịa bụ nke mgbanwe ga-anọgide na ihe nlereanya. Enwere ọnyà abụọ. Ole na-agbanwe agbanwe na-ekpuchi ihe nlereanya ahụ: ọ bụrụ na agbaghara onye ọkwọ ụgbọ ala dị ize ndụ, ọnụahịa ahụ ga-ezighị ezi. Ọdịiche dị oke oke / nfefe na-eme ka ihe nlereanya ahụ buru data gara aga: ihe nlereanya ahụ na-emehie mkpọtụ maka mgbama wee daa na amụma ọhụrụ. Emebere nguzozi site na nkwado ndabere - kewaa data n'ime ọzụzụ na mpempe ule ma nwalee ya na data nke ihe nlereanya ahụ adịghị ahụ, ịdị mfe na echiche ihe.
Mmekọrịta dịkwa mkpa: mgbe ụfọdụ mmetụta njikọ nke ihe abụọ dị iche na nchikota mmetụta ha dị iche iche (ụgbọ ala na-eto eto + nwere ike ịdị ize ndụ karịa nchikota nke mmetụta ha n'otu n'otu). Na GLM, a na-agbakwunye mmekọrịta nke ọma.
N'afọ ndị na-adịbeghị anya, ụdị dịka GBM (igwe na-ebuli elu gradient - usoro mmụta igwe dị ike nke na-ejikọta ọtụtụ obere osisi mkpebi) aghọwo ihe a na-ahụkarị na ọnụahịa. Ndị a na-ejide ụkpụrụ na mmekọrịta dị mgbagwoju anya na-akpaghị aka, na-enyekarị amụma ziri ezi karịa GLM. Ma ọ na-abịa na ọnụ ahịa: ọchịchọ nke ịbụ "igbe ojii". Omume a na-emekarị taa bụ iji GBM maka nchọpụta na ọgbọ echiche na GLM maka tarifu transperent ikpeazụ; ma ọ bụ iji ngwaọrụ nkọwa dị ka SHAP na-akọwapụta mmepụta GBM.
Tebụl na-esonụ na-atụnyere ụzọ abụọ a:
akara
GLM
GBM (ịmụ igwe)
Ntughari nkọwa
Dị elu (ọnụọgụ na)
Dị ala (chọrọ ngwa nkọwa)
Ejide mmekọrịta
Eji aka tinye ya
akpaka
Ihe ize ndụ nke imebiga ihe ókè
obere-ọkara
Elu (chọrọ nhazi nke ọma)
Nkwenye nchịkwa/nyocha
mfe
Ọ siri ike, chọrọ akwụkwọ agbakwunyere
Ojiji eji eme ihe
ikpeazụ tarifu
nchọpụta, ntụnyere
Otu esi eji AI na ọnụahịa
1) Ịsụgharị ọnụọgụ GLM ka ọ bụrụ asụsụ azụmahịa:
Etinyere m ugboro ugboro GLM (Poisson, njikọ log). Ụfọdụ ọnụọgụgụ (ọnụọgụ ndekọ): age_group_18_25: 0.47 ; mpaghara_ọtụtụ: 0.22; arac_yasi_10 gbakwunyere: -0.15. Tụgharịa nke ọ bụla ka ọ bụrụ ihe na-abawanye ụba na exp() ma kọwaa ya n'otu ahịrịokwu nke onye njikwa nwere ike ịghọta. Chetakwa ihe otu akwụkwọ ntụaka bụ.
2) Mkparịta ụka mgbanwe/mmekọrịta:
Ọrụ gị: onye inyeaka ọnụahịa. Ndị na-azọ ọkwa m maka ụdị ugboro okporo ụzọ bụ: afọ, okike, mpaghara, afọ ụgbọ, ike injin, km kwa afọ, ọrụ. - Kedu mgbanwe dị iche iche nwere ike ịdị ize ndụ site na usoro nhazi/usoro ụkpụrụ (dịka ịkpa oke na-apụtaghị ìhè)? - Kedu mmekọrịta dị n'akụkụ abụọ ga-adị mma ịnwale? - Kedu usoro nkwenye ka m ga-agbaso ka m ghara imeju oke? Ịme mkpebi; Nye m usoro maka njikwa na mkparịta ụka.
3) Koodu njikwa oke mma:
Jiri Python + scikit-learn / statsmodels dee koodu nkọwapụta nke na-enyocha GLM yana k-fold cross-validation. Jiri ntụgharị Poisson dị ka metrik. Tulee ọzụzụ ahụ wee nwalee akara ma kọwaa n'ahịrị okwu ka esi agụ akara n'elu. Ụlọ akwụkwọ ahụ bụ nke adịgboroja.
4) ịkpa ókè/nyocha mgbanwe mgbanwe:
'Postcode' tụgharịrị bụrụ mgbanwe siri ike na ụdị ọnụahịa m. Kọwaa ihe ize ndụ nke nke a na-apụtaghị ìhè na-anọchi anya njirimara amachibidoro (dịka agbụrụ, ego) dị ka mgbanwe proxy. - Kedu nyocha m kwesịrị ime iji nwalee maka ihe ize ndụ a? - Kedu ụzọ ọzọ enwere iji belata ihe egwu? Inye ndụmọdụ gbasara iwu; ise a teknuzu na ụkpụrụ ọma kpuchie.
Ngwa ngwa adịghị ike / Ike siri ike
Ngwa ngwa adịghị ike:
Mepụta ụdị ọnụahịa kacha mma maka mkpuchi okporo ụzọ.
"Kachasị mma" bụ enweghị nkọwa; Enweghị data, enweghị mmachi, enweghị iwu. AI na-enye azịza ọnyà, na-adabaghị.
Mgbasa ozi siri ike:
Ọrụ gị: onye inyeaka na ọnụahịa ọnụahịa. Okwu: M na-ewu ụdị ugboro ugboro alaka okporo ụzọ, GLM (Poisson, log njikọ). Ndị na-agbanwe agbanwe m nwere: otu afọ, afọ ụgbọ ala, mpaghara (mpaghara), km kwa afọ, ezubere iji. Mgbochi: iwu enweghị ike iji nwoke na nwanyị mee ihe; Achọrọ m izere ịkpa ókè na-apụtaghị ìhè.Task: 1) Na-atụ aro nkọwapụta ụdị mbụ na mgbanwe ndị a (gụnyere ndị otu ntụaka) .2) Nye ihe kpatara mmekọrịta 2 m kwesịrị ịnwale.3) Nye ndepụta nke usoro iji lelee overfitting.4) Tinye ihe nlebara anya pụrụ iche maka 'mpaghara' n'ihe gbasara ịkpa ókè na-apụtaghị ìhè. M ga-eme mkpebi ahụ; Ị na-enye usoro na izi ezi.
Obere ikpe atọ
Ikpe 1 - Uru nke nghọta. Otu ụlọ ọrụ gosipụtara ụdị ọnụahịa ziri ezi nke o jiri GBM wuo onye nhazi, mana enweghị ike ịkọwa ọnụọgụgụ; nkwado egbu oge. The actuary rụrụ a GLM weghaara otu akara; Izi ezi dara site na 2 pasent, mana n'ihi na enwere ike ịza ajụjụ ọ bụla, ihe nlereanya ahụ kwadoro n'ime otu ọnwa. echekwara GBM maka nyocha, GLM ghọrọ tarifu. YZ weputara ngwa ngwa koodu na nkọwa njikwa na-atụnyere arụmọrụ nke ụdị abụọ ahụ.
Ikpe 2 - Ọnyà na-adaba adaba. Onye inyeaka nwetara akara zuru oke na data ọzụzụ mgbe ọ gbakwunyere ihe karịrị 40 mgbanwe na ọtụtụ mmekọrịta na ihe nlereanya. Mana na nkwenye gafere, akara ule dara: ihe nlereanya ahụ eburula mkpọtụ ahụ n'isi. Arụmọrụ nke ụwa n'ezie mụbara mgbe ọnụọgụ nke mgbanwe belatara na 12 wee mee ka ọ dị mfe. Ihe nkuzi: lelee akara data a na-enwetụbeghị ụdị ya, ọ bụghị akara ọzụzụ.
Ikpe 3 - ịkpa oke na-apụtaghị ìhè. N'otu ihe atụ, mgbanwe "mpaghara" kọwara ego ahụ nke ọma. Nnyocha ahụ gosiri na mgbanwe a jikọtara ya na mkpokọta agbụrụ, ya bụ, ọ bụ onye nnọchiteanya maka njirimara amachibidoro. Onye na-eme ihe na-anọchi anya mgbanwe a na-egosi ihe ize ndụ na-anọpụ iche (ụdị okporo ụzọ, ọnọdụ ebe a na-adọba ụgbọala); ma ihe ize ndụ nke ụkpụrụ na nke iwu ebelatala. AI mepụtara nyocha mmekọrịta nke na-atụ ihe ndakọrịta na aro mgbanwe ndị ọzọ; Ngalaba na-eme ihe na nnabata mere mkpebi ahụ.
Mmejọ ndị nkịtị
- Ime ihe nlereanya a na-apụghị ịkọwa akọwa ka ọ bụrụ uzommeputa kacha. Ọnụ ego nke enweghị ike ịkọwara onye na-achịkwa, nyocha na ndị ahịa bụ ihe na-adịghị mma; nghọta dị mkpa.
- Na-adabere na akara mmụta. A na-ahụta nfefe naanị na data a na-ahụghị anya (nkwado obe).
- Iji mgbanwe amachibidoro / dochie anya na-enweghị ịlele. Mgbanwe dị ka koodu zip na ọrụ nwere ike ibute ịkpa oke na-apụtaghị ìhè; Jide n'aka na ị ga-anwale ya.
- Ego ihe egwu na-agbagwoju anya yana ego azụmaahịa. Ọnụ ego mmebi dị ọcha abụghị ọnụ ahịa ere; A na-agbakwunye ego, uru na ọnụ ahịa ego.
- Hapụ ọnụọgụgụ n'ọtụtụ log na ịkọwa ya na-ezighi ezi. Ịza ajụjụ na-enweghị ịtụgharị ya ka ọ bụrụ ihe na-ebuwanye ibu na exp() ga-ebute njehie.
Kpachara anya: Nkwado AI nke ihe nlereanya nke "na-enye ihe kachasị mma" abụghị ihe nlereanya nke "kwesịrị iji". Nkwuwapụta, izi ezi na nrube isi n'iwu bụ njirisi amanyere n'iwu yana izi ezi n'ọnụ ahịa ọrụ.
Na nchịkọta
Ịnye ọnụ ahịa bụ usoro iji ihe ndị dị ize ndụ tụọ ihe egwu na ịtụgharị ya ka ọ bụrụ ezigbo ego. GLM bụ ọkọlọtọ nke ọnụahịa ihe omume yana nhazi ọtụtụ na ntụgharị ya; A na-atụgharị ọnụọgụ ọnụọgụ ka ọ bụrụ ihe nwere exp(). Ụdị mmụta igwe dị ka GBM nwere ike ịbụ nke ziri ezi karị, mana ha na-ebelata nghọta na a na-ejikarị eme nchọpụta. Ekwesịrị ichekwa nhọrọ dịgasị iche iche ka ọ ghara imebiga ya ókè site na nkwenye gafere, yana ịkpa oke na-apụtaghị ìhè (mgbanwe ngbanwe) kwesịrị iji nlezianya chịkwaa ya. AI na-ewu ihe nlereanya, dee koodu ma kọwaa ọnụọgụgụ; Mana nnabata nke usoro iwu na tarifu ikpeazụ bụ nke ngalaba mmemme na nnabata.
Ọrụ ngwa
Depụta ihe ize ndụ 5-6 maka nnukwu. Rịọ AI maka (a) nkọwa mbụ nke GLM na ihe ndị a, (b) mmekọrịta 2 iji nwalee na ebumnuche ha, (c) nyocha nke mgbanwe ndị nwere ike ịnọ n'ihe egwu maka ịkpa oke na-apụtaghị ìhè. Mgbe ahụ, nye ihe atụ nke 3 log-coefficients, rịọ AI ka ọ gbanwee ya ka ọ bụrụ ihe na-abawanye ụba na exp() ma nyefee ya na asụsụ azụmahịa, ma jiri aka nyochaa ihe ndị ahụ.
ndetu
- [] Enwere ike ịkọwa ihe nlereanya m; Enwere m ike ịtụgharị mmetụta nke ihe ọ bụla ka ọ bụrụ asụsụ azụmahịa?
- [ ] A enyochala m maka nfefe site na nkwado ngafe?
- [ ] Enwere m nyocha maka ịkpa oke na-apụtaghị ìhè maka mgbanwe ndị amachibidoro na proxy?
- [ ] mmamma m ekewapụ ego ihe ize ndụ na ego achụmnta ego?
- [ ] Atụgharịrị m ọnụọgụgụ ka ọ bụrụ ọnụọgụ ọnụọgụ na exp() wee tụgharịa ya nke ọma?
- [ ] Emere m mkpebi tarifu ikpeazụ yana ngalaba iwu na nnabata?