ಲಾಭಗಳು:
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬೆಂಬಲದೊಂದಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ರೇಖೀಯ ಮಾದರಿ (GLM), ಅಪಾಯದ ಅಂಶ, ಸುಂಕ ಮತ್ತು ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಗುಣಾಂಕಗಳನ್ನು ವ್ಯವಹಾರ ಭಾಷೆಗೆ ಅನುವಾದಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿಗಳ (GBM) ವೇರಿಯಬಲ್ ಆಯ್ಕೆಯ ಸಮತೋಲನ, ಪರಸ್ಪರ ಕ್ರಿಯೆ, ಮಿತಿಮೀರಿದ ಫಿಟ್ಟಿಂಗ್ ಮತ್ತು ವ್ಯಾಖ್ಯಾನವನ್ನು ಚರ್ಚಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಬೆಲೆಯ ಮಾದರಿಯು ನಿಷೇಧಿತ/ತಾರತಮ್ಯದ ಅಸ್ಥಿರಗಳಿಂದ ಮುಕ್ತವಾಗಿದೆ ಮತ್ತು ಶಾಸನ ಮತ್ತು ಸ್ಪರ್ಧೆಯೊಂದಿಗೆ ಅಂತಿಮ ಸುಂಕದ ಅನುಸರಣೆಯನ್ನು ವಿಮಾಗಣಕಕ್ಕೆ ಬಿಡಲಾಗಿದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ವಿಮಾ ಪಾಲಿಸಿಯ ಬೆಲೆಯನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ನಿರ್ಧರಿಸಲಾಗುವುದಿಲ್ಲ. ದೊಡ್ಡ ನಗರದಲ್ಲಿ ವಾಸಿಸುವ 22 ವರ್ಷ ವಯಸ್ಸಿನ, ಹೊಸದಾಗಿ ಪರವಾನಗಿ ಪಡೆದ ಚಾಲಕನಿಗೆ ಟ್ರಾಫಿಕ್ ಅಪಘಾತದ ಅಪಾಯವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ 20 ವರ್ಷಗಳ ಅನುಭವ ಹೊಂದಿರುವ 45 ವರ್ಷ ವಯಸ್ಸಿನ ಚಾಲಕನಿಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ; ನ್ಯಾಯೋಚಿತ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ, ಪ್ರೀಮಿಯಂಗಳು ವಿಭಿನ್ನವಾಗಿರಬೇಕು. ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಅಳೆಯುವ ಮತ್ತು ಬೆಲೆಯ ಮೇಲೆ ಪ್ರತಿಬಿಂಬಿಸುವ ವಿಮಾಗಣಕದ ಕೆಲಸವನ್ನು ಬೆಲೆ ಮತ್ತು ಅಪಾಯದ ವರ್ಗೀಕರಣ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಸಾಮಾನ್ಯೀಕರಿಸಿದ ರೇಖೀಯ ಮಾದರಿ (GLM), ಬೆಲೆಯ ವಾಸ್ತವಿಕ ಬೆನ್ನೆಲುಬು ಮತ್ತು ಅದರ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರ್ಯಾಯಗಳನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ ಮತ್ತು ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ AI ಅನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ಬಳಸುವುದು ಹೇಗೆ ಎಂದು ನೋಡೋಣ.
ಕೆಲವು ಮೂಲಭೂತ ನಿಯಮಗಳು. ಅಪಾಯದ ಅಂಶವು ಅಪಾಯದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ವೇರಿಯಬಲ್ ಆಗಿದೆ ಮತ್ತು ಬೆಲೆಯಲ್ಲಿ ಬಳಸಲಾಗುತ್ತದೆ (ವಯಸ್ಸು, ವಾಹನ ವಯಸ್ಸು, ಪ್ರದೇಶ, ಉದ್ದೇಶಿತ ಬಳಕೆ). ಸುಂಕವು ಅಪಾಯಕಾರಿ ಅಂಶಗಳ ಪ್ರಕಾರ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಹೇಗೆ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ನಿಯಮಗಳ ಒಂದು ಗುಂಪಾಗಿದೆ. ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಶುದ್ಧ ನಿರೀಕ್ಷಿತ ನಷ್ಟದ ವೆಚ್ಚವಾಗಿದೆ; ವೆಚ್ಚಗಳು, ಆಯೋಗಗಳು, ಲಾಭಾಂಶಗಳು ಮತ್ತು ಬಂಡವಾಳ ವೆಚ್ಚಗಳನ್ನು ಸೇರಿಸಿದಾಗ, ವಾಣಿಜ್ಯ ಪ್ರೀಮಿಯಂ (ಮಾರಾಟ ಬೆಲೆ) ರಚನೆಯಾಗುತ್ತದೆ. ಮೊದಲಿನಿಂದಲೂ ನೆನಪಿಸೋಣ: AI ವೇರಿಯೇಬಲ್ಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ, ಗುಣಾಂಕಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ; ಆದರೆ ಯಾವ ವೇರಿಯೇಬಲ್ ಕಾನೂನು ಮತ್ತು ನೈತಿಕವಾಗಿದೆ ಮತ್ತು ಅಂತಿಮ ಸುಂಕವು ಶಾಸನ ಮತ್ತು ಸ್ಪರ್ಧೆಯನ್ನು ಅನುಸರಿಸುತ್ತದೆಯೇ ಎಂಬುದು ಆಕ್ಚುರಿ ಮತ್ತು ಅನುಸರಣೆ ಘಟಕಕ್ಕೆ ಸೇರಿದೆ.
ಆಕ್ಚುರಿಯಲ್ನಲ್ಲಿ GLM ಏಕೆ ಮಾನದಂಡವಾಗಿದೆ
ಬೆಲೆ ನಿಗದಿಯಲ್ಲಿ ಹೆಚ್ಚು ಬಳಸುವ ವಿಧಾನವೆಂದರೆ GLM. GLM ಎಂದರೆ "ಸಾಮಾನ್ಯೀಕರಿಸಿದ ರೇಖೀಯ ಮಾದರಿ": ಇದು ಹಾನಿ ಡೇಟಾದಂತಹ ಸಾಮಾನ್ಯವಾಗಿ ವಿತರಿಸದ ಗುರಿಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಶಾಸ್ತ್ರೀಯ ರೇಖಾತ್ಮಕ ಹಿಂಜರಿತವನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ. ಇದು ಎರಡು ಮೂಲಭೂತ ಅಂಶಗಳನ್ನು ಹೊಂದಿದೆ. ವಿತರಣಾ ಕುಟುಂಬ: ಪಾಯಿಸನ್ ಅನ್ನು ಆವರ್ತನಕ್ಕಾಗಿ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ, ಗಾಮಾವನ್ನು ತೀವ್ರತೆಗೆ ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ (ಘಟಕ 2 ರಲ್ಲಿ ತರ್ಕ). ಲಿಂಕ್ ಫಂಕ್ಷನ್ (ಲಿಂಕ್): ಸಾಮಾನ್ಯವಾಗಿ ಲಾಗರಿಥಮಿಕ್, ಇದು ಅಂಶಗಳು ಗುಣಾಕಾರ ಪರಿಣಾಮವನ್ನು ಹೊಂದಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಗುಣಾಕಾರ ರಚನೆಯು ವಾಸ್ತವಿಕದಲ್ಲಿ ಬಹಳ ಮೌಲ್ಯಯುತವಾಗಿದೆ ಏಕೆಂದರೆ ಸುಂಕವನ್ನು ನಿಖರವಾಗಿ ಹೇಗೆ ಹೊಂದಿಸಲಾಗಿದೆ: ಮೂಲ ಪ್ರೀಮಿಯಂ × ವಯಸ್ಸಿನ ಅಂಶ × ಪ್ರದೇಶ ಅಂಶ × ವಾಹನ ಅಂಶ.
GLM ನ ದೊಡ್ಡ ಪ್ರಯೋಜನವೆಂದರೆ ವ್ಯಾಖ್ಯಾನ. ಒಂದು ಗುಣಾಂಕವು ನಿಮಗೆ ನೇರವಾಗಿ ಹೇಳುತ್ತದೆ: "ಉಲ್ಲೇಖ ಗುಂಪಿಗೆ ಹೋಲಿಸಿದರೆ ಯುವ ಚಾಲಕ ಗುಂಪು ಆವರ್ತನವನ್ನು 1.6 ಪಟ್ಟು ಹೆಚ್ಚಿಸುತ್ತದೆ." ಈ ಪಾರದರ್ಶಕತೆಯು ಮೂರು ವಿಧಗಳಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ: (1) ನಿಯಂತ್ರಕ ಮತ್ತು ಆಂತರಿಕ ಲೆಕ್ಕಪರಿಶೋಧನೆಯು ಮಾದರಿಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು ಮತ್ತು ಅನುಮೋದಿಸಬಹುದು; (2) ನಿಷೇಧಿತ/ತಾರತಮ್ಯದ ಪರಿಣಾಮವು ಗೋಚರಿಸುತ್ತದೆ; (3) ಬೆಲೆಯ ತರ್ಕವನ್ನು ಮಾರಾಟ ಮತ್ತು ನಿರ್ವಹಣಾ ತಂಡಕ್ಕೆ ವಿವರಿಸಬಹುದು. ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು (ಕೆಳಗೆ) ಕೆಲವೊಮ್ಮೆ ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತವೆ, ಆದರೆ ಪಾರದರ್ಶಕತೆಯ ವೆಚ್ಚದಲ್ಲಿ.
ಸುಳಿವು: GLM ಗುಣಾಂಕವು ಲಾಗ್ ಸ್ಕೇಲ್ನಲ್ಲಿದೆ. ಗುಣಾಂಕವನ್ನು ಎಕ್ಸ್ (ಗುಣಾಂಕ) ನೊಂದಿಗೆ "ಗುಣಿಸುವ ಅಂಶ" ಆಗಿ ಪರಿವರ್ತಿಸಲು AI ಅನ್ನು ಕೇಳಿ; ವ್ಯವಹಾರ ಭಾಷೆಗೆ ಭಾಷಾಂತರಿಸಲು ಇದು ತುಂಬಾ ಸುಲಭವಾಗಿದೆ (ಉದಾ. ಗುಣಾಂಕ 0.47 → ಅಂಶ ≈ 1.60 → “60% ಅಪಾಯಕಾರಿ”).
ವೇರಿಯಬಲ್ ಆಯ್ಕೆ, ಮಿತಿಮೀರಿದ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ
ಮಾದರಿಯಲ್ಲಿ ಯಾವ ಅಸ್ಥಿರಗಳು ಉಳಿಯುತ್ತವೆ ಎಂಬುದು ಬೆಲೆಯಲ್ಲಿ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವಾಗಿದೆ. ಎರಡು ಬಲೆಗಳಿವೆ. ಕೆಲವು ಅಸ್ಥಿರಗಳು ಮಾದರಿಯನ್ನು ಕುರುಡಾಗಿಸುತ್ತದೆ: ಪ್ರಮುಖ ಅಪಾಯದ ಚಾಲಕವನ್ನು ತಪ್ಪಿಸಿಕೊಂಡರೆ, ಬೆಲೆ ತಪ್ಪಾಗುತ್ತದೆ. ತುಂಬಾ ವೇರಿಯಬಲ್ / ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ಮಾಡೆಲ್ ಹಿಂದಿನ ಡೇಟಾವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುವಂತೆ ಮಾಡುತ್ತದೆ: ಮಾದರಿಯು ಸಿಗ್ನಲ್ಗಾಗಿ ಶಬ್ದವನ್ನು ತಪ್ಪಾಗಿ ಮಾಡುತ್ತದೆ ಮತ್ತು ಹೊಸ ನೀತಿಗಳೊಂದಿಗೆ ವಿಫಲಗೊಳ್ಳುತ್ತದೆ. ಬ್ಯಾಲೆನ್ಸ್ ಅನ್ನು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದ ಮೂಲಕ ಸ್ಥಾಪಿಸಲಾಗಿದೆ - ಡೇಟಾವನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ತುಣುಕುಗಳಾಗಿ ವಿಭಜಿಸುವುದು ಮತ್ತು ಮಾದರಿಯು ನೋಡದ ಡೇಟಾ, ಸರಳತೆ ಮತ್ತು ವಾಸ್ತವಿಕ ತಾರ್ಕಿಕತೆಯ ಮೇಲೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
ಪರಸ್ಪರ ಕ್ರಿಯೆಯು ಸಹ ಮುಖ್ಯವಾಗಿದೆ: ಕೆಲವೊಮ್ಮೆ ಎರಡು ಅಂಶಗಳ ಸಂಯೋಜಿತ ಪರಿಣಾಮವು ಅವುಗಳ ಪ್ರತ್ಯೇಕ ಪರಿಣಾಮಗಳ ಮೊತ್ತದಿಂದ ಭಿನ್ನವಾಗಿರುತ್ತದೆ (ಯುವ + ಸ್ಪೋರ್ಟಿ ವಾಹನವು ಅವರ ವೈಯಕ್ತಿಕ ಪರಿಣಾಮಗಳ ಮೊತ್ತಕ್ಕಿಂತ ಅಪಾಯಕಾರಿಯಾಗಬಹುದು). GLM ನಲ್ಲಿ, ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಸೇರಿಸಲಾಗುತ್ತದೆ.
ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ, GBM ನಂತಹ ಮಾದರಿಗಳು (ಗ್ರೇಡಿಯಂಟ್ ಬೂಸ್ಟಿಂಗ್ ಮೆಷಿನ್ - ಅನೇಕ ಸಣ್ಣ ನಿರ್ಧಾರ ಟ್ರೀಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಶಕ್ತಿಶಾಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನ) ಬೆಲೆ ನಿಗದಿಯಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿದೆ. ಇವುಗಳು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳು ಮತ್ತು ಸಂವಹನಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸೆರೆಹಿಡಿಯುತ್ತವೆ, ಆಗಾಗ್ಗೆ GLM ಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತವೆ. ಆದರೆ ಇದು ಒಂದು ಬೆಲೆಯಲ್ಲಿ ಬರುತ್ತದೆ: "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ" ಆಗುವ ಪ್ರವೃತ್ತಿ. ಇಂದಿನ ಸಾಮಾನ್ಯ ಅಭ್ಯಾಸವೆಂದರೆ ಅನ್ವೇಷಣೆ ಮತ್ತು ಕಲ್ಪನೆಯ ಉತ್ಪಾದನೆಗೆ GBM ಮತ್ತು ಅಂತಿಮ ಪಾರದರ್ಶಕ ಸುಂಕಕ್ಕಾಗಿ GLM ಅನ್ನು ಬಳಸುವುದು; ಅಥವಾ SHAP ನಂತಹ ವಿವರಣೆಯ ಸಾಧನಗಳೊಂದಿಗೆ GBM ಔಟ್ಪುಟ್ ಅನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳುವುದು.
ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಎರಡು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ:
ಮಾನದಂಡ
GLM
GBM (ಯಂತ್ರ ಕಲಿಕೆ)
ಅರ್ಥವಿವರಣೆ
ಹೆಚ್ಚಿನ (ಗುಣಾಂಕ ಆನ್)
ಕಡಿಮೆ (ವ್ಯಾಖ್ಯಾನ ಸಾಧನದ ಅಗತ್ಯವಿದೆ)
ಸಂವಹನ ಸೆರೆಹಿಡಿಯುವಿಕೆ
ಹಸ್ತಚಾಲಿತವಾಗಿ ಸೇರಿಸಲಾಗಿದೆ
ಸ್ವಯಂಚಾಲಿತ
ಮಿತಿಮೀರಿದ ಅಪಾಯ
ಕಡಿಮೆ ಮಧ್ಯಮ
ಹೆಚ್ಚು (ಎಚ್ಚರಿಕೆಯಿಂದ ಹೊಂದಾಣಿಕೆ ಅಗತ್ಯವಿದೆ)
ನಿಯಂತ್ರಕ/ಆಡಿಟ್ ಅನುಮೋದನೆ
ಸುಲಭ
ಕಷ್ಟ, ಹೆಚ್ಚುವರಿ ದಾಖಲೆಗಳ ಅಗತ್ಯವಿದೆ
ವಿಶಿಷ್ಟ ಬಳಕೆ
ಅಂತಿಮ ಸುಂಕ
ಅನ್ವೇಷಣೆ, ಹೋಲಿಕೆ
ಬೆಲೆಯಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು
1) GLM ಗುಣಾಂಕವನ್ನು ವ್ಯವಹಾರ ಭಾಷೆಗೆ ಭಾಷಾಂತರಿಸುವುದು:
ನಾನು ಆವರ್ತನ GLM (ಪಾಯ್ಸನ್, ಲಾಗ್ ಲಿಂಕ್) ಅನ್ನು ಹೊಂದಿಸಿದ್ದೇನೆ. ಕೆಲವು ಗುಣಾಂಕಗಳು (ಲಾಗ್ ಸ್ಕೇಲ್): age_group_18_25: 0.47 ; ಪ್ರದೇಶ_ಬಹುಮತ: 0.22 ; arac_yasi_10plus: -0.15. ಪ್ರತಿಯೊಂದನ್ನು ಎಕ್ಸ್ಪ್ () ನೊಂದಿಗೆ ಗುಣಕ ಅಂಶವಾಗಿ ಪರಿವರ್ತಿಸಿ ಮತ್ತು ನಿರ್ವಾಹಕರು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾದ ಒಂದು ವಾಕ್ಯದಲ್ಲಿ ವಿವರಿಸಿ. ಉಲ್ಲೇಖ ಗುಂಪು ಯಾವುದು ಎಂಬುದನ್ನು ಸಹ ನೆನಪಿಸಿ.
2) ವೇರಿಯಬಲ್/ಇಂಟರಾಕ್ಷನ್ ಚರ್ಚೆ:
ನಿಮ್ಮ ಪಾತ್ರ: ಬೆಲೆ ಸಹಾಯಕ. ಟ್ರಾಫಿಕ್ ಫ್ರೀಕ್ವೆನ್ಸಿ ಮಾದರಿಗಾಗಿ ನನ್ನ ಅಭ್ಯರ್ಥಿ ಅಸ್ಥಿರಗಳೆಂದರೆ: ವಯಸ್ಸು, ಲಿಂಗ, ಪ್ರದೇಶ, ವಾಹನ ವಯಸ್ಸು, ಎಂಜಿನ್ ಶಕ್ತಿ, ವಾರ್ಷಿಕ ಕಿಮೀ, ವೃತ್ತಿ. - ನಿಯಂತ್ರಕ/ನೈತಿಕ ದೃಷ್ಟಿಕೋನದಿಂದ (ಉದಾ. ಪರೋಕ್ಷ ತಾರತಮ್ಯ) ಯಾವ ಅಸ್ಥಿರಗಳು ಅಪಾಯಕಾರಿಯಾಗಿರಬಹುದು? - ಯಾವ ದ್ವಿಪಕ್ಷೀಯ ಸಂವಹನಗಳನ್ನು ಪ್ರಯತ್ನಿಸಲು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ? - ಅತಿಯಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳುವುದನ್ನು ತಪ್ಪಿಸಲು ನಾನು ಯಾವ ಪರಿಶೀಲನಾ ಹಂತಗಳನ್ನು ಅನುಸರಿಸಬೇಕು? ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವುದು; ನಿಯಂತ್ರಣ ಮತ್ತು ಚರ್ಚೆಯ ಚೌಕಟ್ಟನ್ನು ನನಗೆ ನೀಡಿ.
3) ಮಿತಿಮೀರಿದ ನಿಯಂತ್ರಣ ಕೋಡ್:
Python + scikit-learn / statsmodels ಬಳಸಿಕೊಂಡು k-fold cross-validation ಜೊತೆಗೆ GLM ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಕಾಮೆಂಟ್ ಮಾಡಿದ ಕೋಡ್ ಅನ್ನು ಬರೆಯಿರಿ. ಪಾಯ್ಸನ್ ವಿಚಲನವನ್ನು ಮೆಟ್ರಿಕ್ ಆಗಿ ಬಳಸಿ. ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಾ ಸ್ಕೋರ್ಗಳನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ಕಾಮೆಂಟ್ಗಳ ಸಾಲಿನಲ್ಲಿ ಮಿತಿಮೀರಿದ ಚಿಹ್ನೆಯನ್ನು ಹೇಗೆ ಓದುವುದು ಎಂಬುದನ್ನು ವಿವರಿಸಿ. ಗ್ರಂಥಾಲಯವು ನಕಲಿಯಾಗಿದೆ.
4) ತಾರತಮ್ಯ/ಬಾಡಿಗೆ ವೇರಿಯಬಲ್ ಸ್ಕ್ರೀನಿಂಗ್:
ನನ್ನ ಬೆಲೆ ಮಾದರಿಯಲ್ಲಿ 'ಪೋಸ್ಟ್ಕೋಡ್' ಪ್ರಬಲ ವೇರಿಯಬಲ್ ಆಗಿ ಹೊರಹೊಮ್ಮಿದೆ. ಪ್ರಾಕ್ಸಿ ವೇರಿಯಬಲ್ ಆಗಿ ನಿಷೇಧಿತ ಗುಣಲಕ್ಷಣವನ್ನು (ಉದಾ. ಜನಾಂಗೀಯತೆ, ಆದಾಯ) ಪರೋಕ್ಷವಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ಅಪಾಯವನ್ನು ವಿವರಿಸಿ. - ಈ ಅಪಾಯವನ್ನು ಪರೀಕ್ಷಿಸಲು ನಾನು ಏನು ವಿಶ್ಲೇಷಣೆ ಮಾಡಬೇಕು? - ಅಪಾಯವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಯಾವ ಪರ್ಯಾಯಗಳಿವೆ? ಕಾನೂನು ಸಲಹೆಯನ್ನು ಒದಗಿಸುವುದು; ತಾಂತ್ರಿಕ ಮತ್ತು ನೈತಿಕ ಚೌಕಟ್ಟನ್ನು ಸೆಳೆಯಿರಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಸಂಚಾರ ವಿಮೆಗಾಗಿ ಉತ್ತಮ ಬೆಲೆ ಮಾದರಿಯನ್ನು ಸ್ಥಾಪಿಸಿ.
"ಅತ್ಯುತ್ತಮ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿಲ್ಲ; ಡೇಟಾ ಇಲ್ಲ, ನಿರ್ಬಂಧಗಳಿಲ್ಲ, ಕಾನೂನು ಇಲ್ಲ. AI ಸಾರ್ವತ್ರಿಕ, ಅನ್ವಯಿಸದ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಬೆಲೆ ವಿಮಾಗಣಕಕ್ಕೆ ಸಹಾಯಕ. ಸಂದರ್ಭ: ನಾನು ಸಂಚಾರ ಶಾಖೆಯ ಆವರ್ತನ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದೇನೆ, GLM (ಪಾಯ್ಸನ್, ಲಾಗ್ ಲಿಂಕ್). ನಾನು ಹೊಂದಿರುವ ವೇರಿಯಬಲ್ಗಳು: ವಯಸ್ಸಿನ ಗುಂಪು, ವಾಹನ ವಯಸ್ಸು, ಪ್ರದೇಶ (ಪ್ರಾಂತ್ಯ), ವಾರ್ಷಿಕ ಕಿಮೀ, ಉದ್ದೇಶಿತ ಬಳಕೆ. ನಿರ್ಬಂಧ: ಲಿಂಗವನ್ನು ಶಾಸನದಿಂದ ಬಳಸಲಾಗುವುದಿಲ್ಲ; ನಾನು ಪರೋಕ್ಷ ತಾರತಮ್ಯವನ್ನು ತಪ್ಪಿಸಬೇಕಾಗಿದೆ.ಕಾರ್ಯ:1) ಈ ವೇರಿಯೇಬಲ್ಗಳೊಂದಿಗೆ ಆರಂಭಿಕ ಮಾದರಿಯ ವಿವರಣೆಯನ್ನು ಸೂಚಿಸಿ (ಉಲ್ಲೇಖ ಗುಂಪುಗಳನ್ನು ಒಳಗೊಂಡಂತೆ).2) ನಾನು ಪ್ರಯತ್ನಿಸಬೇಕಾದ 2 ಸಂವಹನಗಳಿಗೆ ಕಾರಣಗಳನ್ನು ನೀಡಿ.3) ಮಿತಿಮೀರಿದಿರುವುದನ್ನು ಪರಿಶೀಲಿಸಲು ಹಂತಗಳ ಪಟ್ಟಿಯನ್ನು ನೀಡಿ.4) ಪರೋಕ್ಷ ತಾರತಮ್ಯದ ವಿಷಯದಲ್ಲಿ 'ಪ್ರದೇಶ'ಕ್ಕೆ ವಿಶೇಷ ಗಮನವನ್ನು ಸೇರಿಸಿ. ನಾನು ನಿರ್ಧಾರವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇನೆ; ನೀವು ಚೌಕಟ್ಟು ಮತ್ತು ಸಮರ್ಥನೆಯನ್ನು ಒದಗಿಸುತ್ತೀರಿ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಪಾರದರ್ಶಕತೆಯ ಮೌಲ್ಯ. ಒಂದು ಕಂಪನಿಯು ನಿಯಂತ್ರಕಕ್ಕೆ GBM ನೊಂದಿಗೆ ನಿರ್ಮಿಸಿದ ಅತ್ಯಂತ ನಿಖರವಾದ ಬೆಲೆ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಿತು, ಆದರೆ ಗುಣಾಂಕಗಳನ್ನು ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ; ಅನುಮೋದನೆ ವಿಳಂಬವಾಗಿದೆ. ವಿಮಾಗಣಕವು ಅದೇ ಸಂಕೇತಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ GLM ಅನ್ನು ನಿರ್ಮಿಸಿತು; ನಿಖರತೆಯು 2 ಪ್ರತಿಶತದಷ್ಟು ಕಡಿಮೆಯಾಗಿದೆ, ಆದರೆ ಪ್ರತಿ ಅಂಶವನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದಾದ ಕಾರಣ, ಮಾದರಿಯನ್ನು ಒಂದು ತಿಂಗಳೊಳಗೆ ಮೌಲ್ಯೀಕರಿಸಲಾಯಿತು. GBM ಅನ್ನು ವಿಚಕ್ಷಣಕ್ಕಾಗಿ ಉಳಿಸಲಾಗಿದೆ, GLM ಸುಂಕವಾಯಿತು. YZ ತ್ವರಿತವಾಗಿ ಕೋಡ್ ಮತ್ತು ನಿಯಂತ್ರಕ ವಿವರಣೆಯನ್ನು ಎರಡು ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುತ್ತದೆ.
ಪ್ರಕರಣ 2 - ಮಿತಿಮೀರಿದ ಬಲೆ. ಮಾದರಿಗೆ 40 ಕ್ಕೂ ಹೆಚ್ಚು ವೇರಿಯೇಬಲ್ಗಳು ಮತ್ತು ಹಲವಾರು ಸಂವಾದಗಳನ್ನು ಸೇರಿಸಿದಾಗ ಸಹಾಯಕರು ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿ ಪರಿಪೂರ್ಣ ಸ್ಕೋರ್ ಪಡೆದರು. ಆದರೆ ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ, ಪರೀಕ್ಷಾ ಸ್ಕೋರ್ ಕುಸಿಯಿತು: ಮಾದರಿಯು ಶಬ್ದವನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ. ವೇರಿಯೇಬಲ್ಗಳ ಸಂಖ್ಯೆಯನ್ನು 12ಕ್ಕೆ ಇಳಿಸಿದಾಗ ಮತ್ತು ಸರಳಗೊಳಿಸಿದಾಗ ನೈಜ-ಪ್ರಪಂಚದ ಕಾರ್ಯಕ್ಷಮತೆ ಹೆಚ್ಚಾಯಿತು. ಪಾಠ: ಅಭೂತಪೂರ್ವ ಡೇಟಾ ಸ್ಕೋರ್ ಅನ್ನು ನೋಡಿ, ತರಬೇತಿ ಸ್ಕೋರ್ ಅಲ್ಲ.
ಪ್ರಕರಣ 3 - ಪರೋಕ್ಷ ತಾರತಮ್ಯ. ಒಂದು ಮಾದರಿಯಲ್ಲಿ, "ನೆರೆಹೊರೆಯ" ವೇರಿಯೇಬಲ್ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಬಲವಾಗಿ ವಿವರಿಸುತ್ತದೆ. ಈ ವೇರಿಯಬಲ್ ಹೆಚ್ಚಾಗಿ ಜನಾಂಗೀಯ ಸಾಂದ್ರತೆಯೊಂದಿಗೆ ಅತಿಕ್ರಮಿಸುತ್ತದೆ ಎಂದು ವಿಶ್ಲೇಷಣೆ ತೋರಿಸಿದೆ, ಅಂದರೆ, ಇದು ನಿಷೇಧಿತ ಗುಣಲಕ್ಷಣದ ಪ್ರಾಕ್ಸಿಯಾಗಿದೆ. ವಿಮಾಗಣಕವು ಈ ವೇರಿಯಬಲ್ ಅನ್ನು ಹೆಚ್ಚು ತಟಸ್ಥ ಅಪಾಯದ ಸೂಚಕಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸಿತು (ರಸ್ತೆಯ ಪ್ರಕಾರ, ಪಾರ್ಕಿಂಗ್ ಸ್ಥಿತಿ); ನೈತಿಕ ಮತ್ತು ಕಾನೂನು ಅಪಾಯಗಳು ಕಡಿಮೆಯಾಗಿದೆ. ಅತಿಕ್ರಮಣ ಮತ್ತು ಪರ್ಯಾಯ ವೇರಿಯಬಲ್ ಸಲಹೆಗಳನ್ನು ಅಳೆಯುವ ಪರಸ್ಪರ ಸಂಬಂಧ ವಿಶ್ಲೇಷಣೆಯನ್ನು AI ಉತ್ಪಾದಿಸಿತು; ಆಕ್ಚುರಿ ಮತ್ತು ಅನುಸರಣೆ ಘಟಕವು ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಅರ್ಥೈಸಲಾಗದ ಮಾದರಿಯನ್ನು ಅಂತಿಮ ಪಾಕವಿಧಾನವನ್ನಾಗಿ ಮಾಡುವುದು. ನಿಯಂತ್ರಕ, ಲೆಕ್ಕಪರಿಶೋಧನೆ ಮತ್ತು ಗ್ರಾಹಕರಿಗೆ ವಿವರಿಸಲಾಗದ ಬೆಲೆ ಸಮರ್ಥನೀಯವಲ್ಲ; ಪಾರದರ್ಶಕತೆ ಅತ್ಯಗತ್ಯ.
- ಶಿಕ್ಷಣದ ಅಂಕಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಓವರ್ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಕಾಣದ ಡೇಟಾದಲ್ಲಿ ಮಾತ್ರ ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ (ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನ).
- ಪರಿಶೀಲಿಸದೆಯೇ ನಿಷೇಧಿತ/ಬಾಡಿಗೆ ವೇರಿಯೇಬಲ್ಗಳನ್ನು ಬಳಸುವುದು. ಪಿನ್ ಕೋಡ್ ಮತ್ತು ಉದ್ಯೋಗದಂತಹ ಅಸ್ಥಿರಗಳು ಪರೋಕ್ಷ ತಾರತಮ್ಯವನ್ನು ಹೊಂದಿರಬಹುದು; ಅದನ್ನು ಪರೀಕ್ಷಿಸಲು ಮರೆಯದಿರಿ.
- ವಾಣಿಜ್ಯ ಪ್ರೀಮಿಯಂನೊಂದಿಗೆ ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಗೊಂದಲಗೊಳಿಸುವುದು. ಶುದ್ಧ ಹಾನಿಯ ವೆಚ್ಚ ಮಾತ್ರ ಮಾರಾಟ ಬೆಲೆಯಲ್ಲ; ವೆಚ್ಚ, ಲಾಭ ಮತ್ತು ಬಂಡವಾಳದ ವೆಚ್ಚವನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ.
- ಲಾಗ್ ಸ್ಕೇಲ್ನಲ್ಲಿ ಗುಣಾಂಕವನ್ನು ಬಿಡುವುದು ಮತ್ತು ಅದನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸುವುದು. ಎಕ್ಸ್ () ನೊಂದಿಗೆ ಗುಣಕ ಅಂಶಕ್ಕೆ ಪರಿವರ್ತಿಸದೆ ಕಾಮೆಂಟ್ ಮಾಡುವುದು ದೋಷವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: "ಉತ್ತಮ ನಿಖರತೆಯನ್ನು ನೀಡುವ" ಮಾದರಿಯ AI ನ ಶಿಫಾರಸು ಸ್ವಯಂಚಾಲಿತವಾಗಿ "ಬಳಸಬೇಕಾದ" ಮಾದರಿಯಲ್ಲ. ಪಾರದರ್ಶಕತೆ, ನ್ಯಾಯಸಮ್ಮತತೆ ಮತ್ತು ಶಾಸನದ ಅನುಸರಣೆ ಕಡ್ಡಾಯ ಮಾನದಂಡಗಳು ಮತ್ತು ವಾಸ್ತವಿಕ ಬೆಲೆಯಲ್ಲಿ ನಿಖರತೆ.
ಸಾರಾಂಶದಲ್ಲಿ
ಅಪಾಯದ ಅಂಶಗಳೊಂದಿಗೆ ಅಪಾಯವನ್ನು ಅಳೆಯುವ ಮತ್ತು ಅದನ್ನು ನ್ಯಾಯಯುತ ಪ್ರೀಮಿಯಂ ಆಗಿ ಪರಿವರ್ತಿಸುವ ಪ್ರಕ್ರಿಯೆಯು ಬೆಲೆ ನಿಗದಿಯಾಗಿದೆ. GLM ಅದರ ಗುಣಾತ್ಮಕ ಮತ್ತು ವ್ಯಾಖ್ಯಾನಿಸಬಹುದಾದ ರಚನೆಯೊಂದಿಗೆ ವಾಸ್ತವಿಕ ಬೆಲೆಯ ಮಾನದಂಡವಾಗಿದೆ; ಗುಣಾಂಕಗಳನ್ನು ಎಕ್ಸ್ () ನೊಂದಿಗೆ ಅಂಶಗಳಾಗಿ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ. GBM ನಂತಹ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಹೆಚ್ಚು ನಿಖರವಾಗಿರಬಹುದು, ಆದರೆ ಅವುಗಳು ಪಾರದರ್ಶಕತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಅನ್ವೇಷಣೆಗಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ವೇರಿಯಬಲ್ ಆಯ್ಕೆಯನ್ನು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದ ಮೂಲಕ ಮಿತಿಮೀರಿದ ವಿರುದ್ಧ ರಕ್ಷಿಸಬೇಕು ಮತ್ತು ಪರೋಕ್ಷ ತಾರತಮ್ಯವನ್ನು (ಬಾಡಿಗೆ ವೇರಿಯಬಲ್) ಎಚ್ಚರಿಕೆಯಿಂದ ನಿಯಂತ್ರಿಸಬೇಕು. AI ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ, ಕೋಡ್ ಬರೆಯುತ್ತದೆ ಮತ್ತು ಗುಣಾಂಕವನ್ನು ವಿವರಿಸುತ್ತದೆ; ಆದರೆ ಕಾನೂನು-ನೈತಿಕ ಅನುಸರಣೆ ಮತ್ತು ಅಂತಿಮ ಸುಂಕವು ವಿಮಾಗಣಕ ಮತ್ತು ಅನುಸರಣೆ ಘಟಕಕ್ಕೆ ಸೇರಿದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಪ್ರಮುಖ 5-6 ಅಪಾಯಕಾರಿ ಅಂಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. (a) ಈ ಅಂಶಗಳೊಂದಿಗೆ GLM ನ ಆರಂಭಿಕ ವಿವರಣೆಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ, (b) ಪ್ರಯತ್ನಿಸಲು 2 ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳು ಮತ್ತು ಅವುಗಳ ತಾರ್ಕಿಕತೆ, (c) ಪರೋಕ್ಷ ತಾರತಮ್ಯಕ್ಕೆ ಅಪಾಯವಿರುವ ವೇರಿಯಬಲ್ಗಳ ಸ್ಕ್ರೀನಿಂಗ್. ನಂತರ, 3 ಲಾಗ್-ಗುಣಾಂಕಗಳ ಉದಾಹರಣೆಯನ್ನು ನೀಡಿ, ಎಕ್ಸ್ಪ್() ನೊಂದಿಗೆ ಗುಣಕ ಅಂಶವಾಗಿ ಪರಿವರ್ತಿಸಲು AI ಅನ್ನು ಕೇಳಿ ಮತ್ತು ಅದನ್ನು ವ್ಯವಹಾರ ಭಾಷೆಗೆ ವರ್ಗಾಯಿಸಿ ಮತ್ತು ಅಂಶಗಳನ್ನು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನನ್ನ ಮಾದರಿಯನ್ನು ಅರ್ಥೈಸಬಹುದೇ; ಪ್ರತಿ ಅಂಶದ ಪ್ರಭಾವವನ್ನು ನಾನು ವ್ಯವಹಾರ ಭಾಷೆಗೆ ಭಾಷಾಂತರಿಸಬಹುದೇ?
- [ ] ನಾನು ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನದ ಮೂಲಕ ಓವರ್ ಫಿಟ್ಟಿಂಗ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ನಿಷೇಧಿತ ಮತ್ತು ಪ್ರಾಕ್ಸಿ ವೇರಿಯೇಬಲ್ಗಳಿಗೆ ಪರೋಕ್ಷ ತಾರತಮ್ಯಕ್ಕಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಪ್ರಜ್ಞಾಪೂರ್ವಕವಾಗಿ ವಾಣಿಜ್ಯ ಪ್ರೀಮಿಯಂನಿಂದ ಅಪಾಯದ ಪ್ರೀಮಿಯಂ ಅನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಗುಣಾಂಕಗಳನ್ನು ಎಕ್ಸ್ () ನೊಂದಿಗೆ ಗುಣಕಗಳಾಗಿ ಪರಿವರ್ತಿಸಿದೆಯೇ ಮತ್ತು ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಅರ್ಥೈಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಶಾಸನ ಮತ್ತು ಅನುಸರಣೆ ಘಟಕದೊಂದಿಗೆ ಅಂತಿಮ ಸುಂಕದ ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದ್ದೇನೆಯೇ?