നേട്ടങ്ങൾ:
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പിന്തുണയോടെ സാമാന്യവൽക്കരിച്ച ലീനിയർ മോഡൽ (ജിഎൽഎം), റിസ്ക് ഫാക്ടർ, താരിഫ്, റിസ്ക് പ്രീമിയം ആശയങ്ങൾ എന്നിവ സ്ഥാപിക്കാനും ഗുണകങ്ങളെ ബിസിനസ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യാനുമുള്ള കഴിവ്
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് മെഷീൻ ലേണിംഗ് മോഡലുകളുടെ (ജിബിഎം) വേരിയബിൾ സെലക്ഷൻ, ഇൻ്ററാക്ഷൻ, ഓവർ ഫിറ്റിംഗ്, ഇൻ്റർപ്രെബിലിറ്റി എന്നിവയുടെ ബാലൻസ് ചർച്ച ചെയ്യാനുള്ള കഴിവ്
- വിലനിർണ്ണയ മോഡൽ നിരോധിത/വിവേചനപരമായ വേരിയബിളുകളിൽ നിന്ന് മുക്തമാണെന്നും നിയമനിർമ്മാണത്തിലും മത്സരത്തിലുമുള്ള അന്തിമ താരിഫ് പാലിക്കുന്നത് ആക്ച്വറിക്ക് വിടുമെന്നും മനസ്സിലാക്കാൻ കഴിയും.
ഒരു ഇൻഷുറൻസ് പോളിസിയുടെ വില ക്രമരഹിതമായി നിശ്ചയിച്ചിട്ടില്ല. ഒരു വലിയ നഗരത്തിൽ താമസിക്കുന്ന 22 വയസ്സുള്ള, പുതുതായി ലൈസൻസുള്ള ഒരു ഡ്രൈവർക്കുള്ള ട്രാഫിക് അപകടസാധ്യത, 20 വർഷത്തെ പരിചയമുള്ള 45 വയസ്സുള്ള ഒരു ഡ്രൈവറെക്കാൾ സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് കൂടുതലാണ്; ന്യായമായ സംവിധാനത്തിൽ, പ്രീമിയങ്ങളും വ്യത്യസ്തമായിരിക്കണം. ഈ വ്യത്യാസം അളക്കുകയും വിലയിൽ പ്രതിഫലിപ്പിക്കുകയും ചെയ്യുന്ന ആക്ച്വറിയുടെ ജോലിയെ വിലനിർണ്ണയവും അപകടസാധ്യത വർഗ്ഗീകരണവും എന്ന് വിളിക്കുന്നു. ഈ യൂണിറ്റിൽ, സാമാന്യവൽക്കരിച്ച ലീനിയർ മോഡൽ (GLM), വിലനിർണ്ണയത്തിൻ്റെ ആക്ച്വറിയൽ നട്ടെല്ല്, അതിൻ്റെ മെഷീൻ ലേണിംഗ് ഇതരമാർഗങ്ങൾ എന്നിവ ഞങ്ങൾ ചർച്ച ചെയ്യും, കൂടാതെ ഈ പ്രക്രിയയിൽ AI എങ്ങനെ സുരക്ഷിതമായി ഉപയോഗിക്കാമെന്ന് നോക്കാം.
കുറച്ച് അടിസ്ഥാന നിബന്ധനകൾ. അപകടസാധ്യതയെ ബാധിക്കുന്ന വേരിയബിളാണ് റിസ്ക് ഫാക്ടർ, വിലനിർണ്ണയത്തിൽ (പ്രായം, വാഹനത്തിൻ്റെ പ്രായം, പ്രദേശം, ഉദ്ദേശിച്ച ഉപയോഗം) ഉപയോഗിക്കുന്നു. അപകടസാധ്യത ഘടകങ്ങൾ അനുസരിച്ച് പ്രീമിയം എങ്ങനെ കണക്കാക്കുമെന്ന് നിർണ്ണയിക്കുന്ന നിയമങ്ങളുടെ ഒരു കൂട്ടമാണ് താരിഫ്. റിസ്ക് പ്രീമിയം പ്രതീക്ഷിക്കുന്ന നഷ്ടച്ചെലവാണ്; ചെലവുകൾ, കമ്മീഷനുകൾ, ലാഭവിഹിതം, മൂലധനച്ചെലവ് എന്നിവ കൂട്ടിച്ചേർക്കുമ്പോൾ, വാണിജ്യ പ്രീമിയം (വിൽപ്പന വില) രൂപപ്പെടുന്നു. നമുക്ക് ആദ്യം മുതൽ ഓർമ്മിപ്പിക്കാം: AI വേരിയബിളുകൾ നിർദ്ദേശിക്കുന്നു, മോഡലുകൾ നിർമ്മിക്കുന്നു, ഗുണകങ്ങൾ വിശദീകരിക്കുന്നു; എന്നാൽ ഏത് വേരിയബിളാണ് നിയമപരവും ധാർമ്മികവും, അന്തിമ താരിഫ് നിയമനിർമ്മാണത്തിനും മത്സരത്തിനും അനുസൃതമാണോ എന്നത് ആക്ച്വറിക്കും കംപ്ലയൻസ് യൂണിറ്റിനും അവകാശപ്പെട്ടതാണ്.
എന്തുകൊണ്ടാണ് ജിഎൽഎം ആക്ച്വറിയലിൽ സ്റ്റാൻഡേർഡ്
വിലനിർണ്ണയത്തിൽ ഏറ്റവും കൂടുതൽ ഉപയോഗിക്കുന്ന രീതി GLM ആണ്. GLM എന്നാൽ "ജനറലൈസ്ഡ് ലീനിയർ മോഡൽ" എന്നാണ് അർത്ഥമാക്കുന്നത്: ഇത് കേടുപാട് ഡാറ്റ പോലുള്ള സാധാരണ വിതരണം ചെയ്യാത്ത ടാർഗെറ്റുകൾക്ക് അനുയോജ്യമാക്കുന്നതിന് ക്ലാസിക്കൽ ലീനിയർ റിഗ്രഷൻ വിപുലീകരിക്കുന്നു. ഇതിന് രണ്ട് അടിസ്ഥാന ഘടകങ്ങളുണ്ട്. ഡിസ്ട്രിബ്യൂഷൻ ഫാമിലി: ഫ്രീക്വൻസിക്ക് വേണ്ടി പൊയ്സൺ തിരഞ്ഞെടുത്തു, തീവ്രതയ്ക്കായി ഗാമ തിരഞ്ഞെടുക്കപ്പെടുന്നു (യൂണിറ്റ് 2 ലെ ലോജിക്). ലിങ്ക് ഫംഗ്ഷൻ (ലിങ്ക്): സാധാരണയായി ലോഗരിഥമിക്, ഇത് ഘടകങ്ങളെ ഗുണനഫലം ഉണ്ടാക്കാൻ അനുവദിക്കുന്നു. ഗുണിത ഘടന ആക്ച്വറിയലിൽ വളരെ വിലപ്പെട്ടതാണ്, കാരണം അങ്ങനെയാണ് താരിഫ് സജ്ജീകരിച്ചിരിക്കുന്നത്: അടിസ്ഥാന പ്രീമിയം × പ്രായ ഘടകം × മേഖല ഘടകം × വാഹന ഘടകം.
GLM ൻ്റെ ഏറ്റവും വലിയ നേട്ടം വ്യാഖ്യാനമാണ്. ഒരു ഗുണകം നിങ്ങളോട് നേരിട്ട് പറയുന്നു: "യുവ ഡ്രൈവർ ഗ്രൂപ്പ് റഫറൻസ് ഗ്രൂപ്പുമായി താരതമ്യം ചെയ്യുമ്പോൾ 1.6 മടങ്ങ് ആവൃത്തി വർദ്ധിപ്പിക്കുന്നു." ഈ സുതാര്യത മൂന്ന് തരത്തിൽ നിർണായകമാണ്: (1) റെഗുലേറ്ററിനും ആന്തരിക ഓഡിറ്റിനും മാതൃക മനസ്സിലാക്കാനും അംഗീകരിക്കാനും കഴിയും; (2) ഒരു നിരോധിത/വിവേചനപരമായ പ്രഭാവം ദൃശ്യമാണ്; (3) വിലയുടെ യുക്തി സെയിൽസ് ആൻഡ് മാനേജ്മെൻ്റ് ടീമിന് വിശദീകരിക്കാം. കൂടുതൽ സങ്കീർണ്ണമായ മെഷീൻ ലേണിംഗ് മോഡലുകൾ (ചുവടെയുള്ളത്) ചിലപ്പോൾ ഉയർന്ന കൃത്യത നൽകുന്നു, എന്നാൽ സുതാര്യതയുടെ ചെലവിൽ.
സൂചന: GLM ഗുണകം ലോഗ് സ്കെയിലിലാണ്. AI-യോട് കോഫിഫിഷ്യൻ്റ് എക്സ്പ്രസ് (കോഫിഫിഷ്യൻ്റ്) ഉള്ള ഒരു "ഗുണന ഘടകം" ആക്കി മാറ്റാൻ ആവശ്യപ്പെടുക; ബിസിനസ്സ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുന്നത് വളരെ എളുപ്പമായിരിക്കും (ഉദാ. ഗുണകം 0.47 → ഘടകം ≈ 1.60 → “60% അപകടസാധ്യതയുള്ളത്”).
വേരിയബിൾ സെലക്ഷൻ, ഓവർ ഫിറ്റിംഗ്, മെഷീൻ ലേണിംഗ്
മോഡലിൽ ഏതൊക്കെ വേരിയബിളുകൾ നിലനിൽക്കും എന്നതാണ് വിലനിർണ്ണയത്തിലെ ഏറ്റവും നിർണായകമായ തീരുമാനം. രണ്ട് കെണികളുണ്ട്. കുറച്ച് വേരിയബിളുകൾ മോഡലിനെ അന്ധമാക്കുന്നു: പ്രധാനപ്പെട്ട റിസ്ക് ഡ്രൈവർ നഷ്ടമായാൽ, വില തെറ്റായിരിക്കും. വളരെയധികം വേരിയബിൾ / ഓവർഫിറ്റിംഗ് മോഡലിനെ മുൻകാല ഡാറ്റ ഓർമ്മിപ്പിക്കാൻ പ്രേരിപ്പിക്കുന്നു: മോഡൽ സിഗ്നലിനായി ശബ്ദത്തെ തെറ്റിദ്ധരിപ്പിക്കുകയും പുതിയ നയങ്ങളിൽ പരാജയപ്പെടുകയും ചെയ്യുന്നു. ക്രോസ്-വാലിഡേഷനിലൂടെയാണ് ബാലൻസ് സ്ഥാപിക്കുന്നത് - ഡാറ്റയെ പരിശീലനമായും ടെസ്റ്റ് പീസുകളായും വിഭജിച്ച് മോഡൽ കാണാത്ത ഡാറ്റ, ലാളിത്യം, ആക്ച്വറിയൽ ന്യായവാദം എന്നിവയിൽ പരീക്ഷിക്കുന്നു.
ഇടപെടലും പ്രധാനമാണ്: ചിലപ്പോൾ രണ്ട് ഘടകങ്ങളുടെ സംയോജിത പ്രഭാവം അവയുടെ പ്രത്യേക ഇഫക്റ്റുകളുടെ ആകെത്തുകയിൽ നിന്ന് വ്യത്യസ്തമായിരിക്കും (ഒരു യുവ + സ്പോർട്ടി വാഹനം അവയുടെ വ്യക്തിഗത ഇഫക്റ്റുകളുടെ ആകെത്തുകയേക്കാൾ അപകടസാധ്യതയുള്ളതാണ്). GLM-ൽ, ഇടപെടലുകൾ വ്യക്തമായി ചേർത്തിരിക്കുന്നു.
സമീപ വർഷങ്ങളിൽ, വിലനിർണ്ണയത്തിൽ GBM (ഗ്രേഡിയൻ്റ് ബൂസ്റ്റിംഗ് മെഷീൻ - നിരവധി ചെറിയ തീരുമാന മരങ്ങൾ സംയോജിപ്പിക്കുന്ന ശക്തമായ മെഷീൻ ലേണിംഗ് രീതി) പോലുള്ള മോഡലുകൾ സാധാരണമായിരിക്കുന്നു. ഇവ സ്വയമേവ സങ്കീർണ്ണമായ പാറ്റേണുകളും ഇടപെടലുകളും പിടിച്ചെടുക്കുന്നു, പലപ്പോഴും GLM-നേക്കാൾ കൃത്യമായ പ്രവചനങ്ങൾ നൽകുന്നു. എന്നാൽ അതിന് ഒരു വിലയുണ്ട്: ഒരു "ബ്ലാക്ക് ബോക്സ്" ആകാനുള്ള പ്രവണത. കണ്ടുപിടിക്കുന്നതിനും ആശയങ്ങൾ സൃഷ്ടിക്കുന്നതിനും GBM ഉം അന്തിമ സുതാര്യമായ താരിഫിനായി GLM ഉം ഉപയോഗിക്കുന്നതാണ് ഇന്നത്തെ സാധാരണ രീതി. അല്ലെങ്കിൽ SHAP പോലുള്ള വിശദീകരണ ടൂളുകൾ ഉപയോഗിച്ച് GBM ഔട്ട്പുട്ട് വ്യാഖ്യാനിക്കുക.
ഇനിപ്പറയുന്ന പട്ടിക രണ്ട് സമീപനങ്ങളെയും താരതമ്യം ചെയ്യുന്നു:
മാനദണ്ഡം
ജി.എൽ.എം
ജിബിഎം (മെഷീൻ ലേണിംഗ്)
വ്യാഖ്യാനം
ഉയർന്നത് (കോഫിഫിഷ്യൻ്റ് ഓൺ)
കുറവ് (വ്യാഖ്യാന ഉപകരണം ആവശ്യമാണ്)
ഇടപെടൽ പിടിച്ചെടുക്കൽ
സ്വമേധയാ ചേർത്തു
ഓട്ടോമാറ്റിക്
അമിത ഫിറ്റിംഗ് അപകടസാധ്യത
താഴ്ന്ന ഇടത്തരം
ഉയർന്നത് (ശ്രദ്ധാപൂർവ്വമായ ക്രമീകരണം ആവശ്യമാണ്)
റെഗുലേറ്റർ/ഓഡിറ്റ് അംഗീകാരം
എളുപ്പമുള്ള
ബുദ്ധിമുട്ടാണ്, അധിക ഡോക്യുമെൻ്റേഷൻ ആവശ്യമാണ്
സാധാരണ ഉപയോഗം
അന്തിമ താരിഫ്
കണ്ടെത്തൽ, താരതമ്യം
വിലനിർണ്ണയത്തിൽ AI എങ്ങനെ ഉപയോഗിക്കാം
1) GLM ഗുണകം ബിസിനസ്സ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യുന്നു:
ഞാൻ ഒരു ഫ്രീക്വൻസി GLM (പോയ്സൺ, ലോഗ് ലിങ്ക്) സജ്ജമാക്കി. ചില ഗുണകങ്ങൾ (ലോഗ് സ്കെയിൽ): age_group_18_25: 0.47 ; മേഖല_ഭൂരിപക്ഷം: 0.22 ; arac_yasi_10plus: -0.15. എക്സ്() ഉപയോഗിച്ച് ഓരോന്നിനെയും ഒരു ഗുണിത ഘടകം ആക്കി മാനേജർക്ക് മനസ്സിലാക്കാൻ കഴിയുന്ന ഒരു വാചകത്തിൽ വിശദീകരിക്കുക. റഫറൻസ് ഗ്രൂപ്പ് എന്താണെന്ന് കൂടി ഓർമ്മിപ്പിക്കുക.
2) വേരിയബിൾ/ഇൻ്ററാക്ഷൻ ചർച്ച:
നിങ്ങളുടെ റോൾ: വിലനിർണ്ണയ സഹായി. ട്രാഫിക് ഫ്രീക്വൻസി മോഡലിനായുള്ള എൻ്റെ കാൻഡിഡേറ്റ് വേരിയബിളുകൾ ഇവയാണ്: പ്രായം, ലിംഗഭേദം, പ്രദേശം, വാഹനത്തിൻ്റെ പ്രായം, എഞ്ചിൻ പവർ, വാർഷിക കി.മീ, തൊഴിൽ. - നിയന്ത്രണ/ധാർമ്മിക വീക്ഷണകോണിൽ നിന്ന് (ഉദാ. പരോക്ഷ വിവേചനം) അപകടകരമായേക്കാവുന്ന വേരിയബിളുകൾ ഏതാണ്? - ഏത് ഉഭയകക്ഷി ഇടപെടലുകളാണ് പരീക്ഷിക്കുന്നത് അർത്ഥമാക്കുന്നത്? - ഓവർഫിറ്റിംഗ് ഒഴിവാക്കാൻ ഞാൻ എന്ത് സ്ഥിരീകരണ ഘട്ടങ്ങൾ പാലിക്കണം? തീരുമാനമെടുക്കൽ; നിയന്ത്രണത്തിനും ചർച്ചയ്ക്കുമുള്ള ചട്ടക്കൂട് എനിക്ക് തരൂ.
3) ഓവർഫിറ്റിംഗ് കൺട്രോൾ കോഡ്:
Python + scikit-learn / statsmodels ഉപയോഗിച്ച് k-fold cross-validation ഉള്ള GLM-നെ വിലയിരുത്തുന്ന കമൻ്റ് ചെയ്ത കോഡ് എഴുതുക. പോയിസൺ ഡീവിയേഷൻ മെട്രിക് ആയി ഉപയോഗിക്കുക. പരിശീലനവും ടെസ്റ്റ് സ്കോറുകളും താരതമ്യം ചെയ്ത് ഓവർഫിറ്റിംഗ് സൈൻ എങ്ങനെ വായിക്കാമെന്ന് കമൻ്റ് ലൈനിൽ വിശദീകരിക്കുക. ലൈബ്രറി വ്യാജമാണ്.
4) വിവേചനം/സറോഗേറ്റ് വേരിയബിൾ സ്ക്രീനിംഗ്:
'പോസ്റ്റ് കോഡ്' എൻ്റെ വിലനിർണ്ണയ മാതൃകയിൽ ശക്തമായ വേരിയബിളായി മാറി. ഒരു നിരോധിത സ്വഭാവത്തെ (ഉദാ. വംശീയത, വരുമാനം) ഒരു പ്രോക്സി വേരിയബിളായി പരോക്ഷമായി പ്രതിനിധീകരിക്കുന്നതിൻ്റെ അപകടസാധ്യത വിശദീകരിക്കുക. - ഈ അപകടസാധ്യത പരിശോധിക്കാൻ ഞാൻ എന്ത് വിശകലനം ചെയ്യണം? - അപകടസാധ്യത കുറയ്ക്കുന്നതിന് എന്തെല്ലാം ബദലുകൾ ഉണ്ട്? നിയമോപദേശം നൽകുന്നു; സാങ്കേതികവും ധാർമ്മികവുമായ ഒരു ചട്ടക്കൂട് വരയ്ക്കുക.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ട്രാഫിക് ഇൻഷുറൻസിനായി ഏറ്റവും മികച്ച വിലനിർണ്ണയ മോഡൽ സ്ഥാപിക്കുക.
"മികച്ചത്" എന്നത് നിർവചിക്കപ്പെട്ടിട്ടില്ല; ഡാറ്റയില്ല, നിയന്ത്രണങ്ങളില്ല, നിയമനിർമ്മാണമില്ല. AI ഒരു പൊതുവായ, ബാധകമല്ലാത്ത ഉത്തരം നൽകുന്നു.
ശക്തമായ നിർദ്ദേശം:
നിങ്ങളുടെ റോൾ: വിലനിർണ്ണയ ആക്ച്വറിയുടെ സഹായി. സന്ദർഭം: ഞാൻ ഒരു ട്രാഫിക് ബ്രാഞ്ച് ഫ്രീക്വൻസി മോഡൽ നിർമ്മിക്കുകയാണ്, GLM (പോയ്സൺ, ലോഗ് ലിങ്ക്). എൻ്റെ പക്കലുള്ള വേരിയബിളുകൾ: പ്രായപരിധി, വാഹന പ്രായം, പ്രദേശം (പ്രവിശ്യ), വാർഷിക കിമീ, ഉദ്ദേശിച്ച ഉപയോഗം. പരിമിതി: നിയമനിർമ്മാണത്തിലൂടെ ലിംഗഭേദം ഉപയോഗിക്കാൻ കഴിയില്ല; എനിക്ക് പരോക്ഷമായ വിവേചനം ഒഴിവാക്കേണ്ടതുണ്ട്. ടാസ്ക്:1) ഈ വേരിയബിളുകൾ ഉപയോഗിച്ച് പ്രാരംഭ മോഡൽ സ്പെസിഫിക്കേഷൻ നിർദ്ദേശിക്കുക (റഫറൻസ് ഗ്രൂപ്പുകൾ ഉൾപ്പെടെ).2) ഞാൻ ശ്രമിക്കേണ്ട 2 ഇടപെടലുകളുടെ കാരണങ്ങൾ നൽകുക.3) ഓവർഫിറ്റിംഗ് പരിശോധിക്കുന്നതിനുള്ള ഘട്ടങ്ങളുടെ ലിസ്റ്റ് നൽകുക.4) പരോക്ഷമായ വിവേചനത്തിൻ്റെ കാര്യത്തിൽ 'മേഖല'യ്ക്ക് പ്രത്യേക ശ്രദ്ധ നൽകുക. ഞാൻ തീരുമാനമെടുക്കും; നിങ്ങൾ ചട്ടക്കൂടും ന്യായീകരണവും നൽകുന്നു.
മൂന്ന് മിനി കേസുകൾ
കേസ് 1 - സുതാര്യതയുടെ മൂല്യം. ഒരു കമ്പനി GBM ഉപയോഗിച്ച് നിർമ്മിച്ച വളരെ കൃത്യമായ വിലനിർണ്ണയ മോഡൽ റെഗുലേറ്ററിലേക്ക് അവതരിപ്പിച്ചു, എന്നാൽ ഗുണകങ്ങൾ വിശദീകരിക്കാൻ കഴിഞ്ഞില്ല; അംഗീകാരം വൈകി. ആക്ച്വറി ഒരേ സിഗ്നലുകൾ പിടിച്ചെടുക്കുന്ന ഒരു GLM നിർമ്മിച്ചു; കൃത്യത 2 ശതമാനം കുറഞ്ഞു, എന്നാൽ എല്ലാ ഘടകങ്ങളും കണക്കാക്കാൻ കഴിയുമെന്നതിനാൽ, ഒരു മാസത്തിനുള്ളിൽ മോഡൽ സാധൂകരിക്കപ്പെട്ടു. GBM രഹസ്യാന്വേഷണത്തിനായി സംരക്ഷിച്ചു, GLM താരിഫ് ആയി. രണ്ട് മോഡലുകളുടെയും പ്രകടനവുമായി താരതമ്യം ചെയ്യുമ്പോൾ YZ കോഡും റെഗുലേറ്റർ വിവരണവും വേഗത്തിൽ നിർമ്മിച്ചു.
കേസ് 2 - ഓവർഫിറ്റിംഗ് ട്രാപ്പ്. മോഡലിലേക്ക് 40-ലധികം വേരിയബിളുകളും നിരവധി ഇടപെടലുകളും ചേർത്തപ്പോൾ ഒരു സഹായി പരിശീലന ഡാറ്റയിൽ മികച്ച സ്കോർ നേടി. എന്നാൽ ക്രോസ്-വാലിഡേഷനിൽ, ടെസ്റ്റ് സ്കോർ തകർന്നു: മോഡൽ ശബ്ദം മനഃപാഠമാക്കിയിരുന്നു. വേരിയബിളുകളുടെ എണ്ണം 12 ആയി ചുരുക്കി ലളിതമാക്കിയപ്പോൾ യഥാർത്ഥ ലോക പ്രകടനം വർദ്ധിച്ചു. പാഠം: പരിശീലന സ്കോർ അല്ല, അഭൂതപൂർവമായ ഡാറ്റ സ്കോർ നോക്കുക.
കേസ് 3 - പരോക്ഷ വിവേചനം. ഒരു മോഡലിൽ, "അയൽപക്കം" വേരിയബിൾ പ്രീമിയം ശക്തമായി വിശദീകരിച്ചു. ഈ വേരിയബിൾ വംശീയ ഏകാഗ്രതയുമായി ഓവർലാപ്പ് ചെയ്തതായി വിശകലനം കാണിച്ചു, അതായത്, ഇത് ഒരു നിരോധിത സ്വഭാവത്തിൻ്റെ പ്രോക്സി ആയിരുന്നു. ആക്ച്വറി ഈ വേരിയബിളിനെ കൂടുതൽ ന്യൂട്രൽ റിസ്ക് ഇൻഡിക്കേറ്ററുകൾ ഉപയോഗിച്ച് മാറ്റി (റോഡ് തരം, പാർക്കിംഗ് അവസ്ഥ); ധാർമ്മികവും നിയമപരവുമായ അപകടസാധ്യതകൾ കുറഞ്ഞു. ഓവർലാപ്പും ഇതര വേരിയബിൾ നിർദ്ദേശങ്ങളും അളക്കുന്ന കോറിലേഷൻ വിശകലനം AI നിർമ്മിച്ചു; ആക്ച്വറി ആൻഡ് കംപ്ലയൻസ് യൂണിറ്റാണ് തീരുമാനമെടുത്തത്.
സാധാരണ തെറ്റുകൾ
- വ്യാഖ്യാനിക്കാനാവാത്ത മാതൃകയെ ആത്യന്തികമായ പാചകരീതിയാക്കുന്നു. റെഗുലേറ്ററിനും ഓഡിറ്റിനും ഉപഭോക്താവിനും വിശദീകരിക്കാൻ കഴിയാത്ത വില സുസ്ഥിരമല്ല; സുതാര്യത അനിവാര്യമാണ്.
- വിദ്യാഭ്യാസ സ്കോറിനെ ആശ്രയിക്കുന്നു. കാണാത്ത ഡാറ്റയിൽ മാത്രമേ ഓവർഫിറ്റിംഗ് കണ്ടെത്താനാകൂ (ക്രോസ്-വാലിഡേഷൻ).
- പരിശോധിക്കാതെ നിരോധിത/സറോഗേറ്റ് വേരിയബിളുകൾ ഉപയോഗിക്കുന്നത്. പിൻ കോഡ്, തൊഴിൽ തുടങ്ങിയ വേരിയബിളുകൾക്ക് പരോക്ഷമായ വിവേചനം ഉണ്ടായേക്കാം; അത് പരീക്ഷിക്കുന്നത് ഉറപ്പാക്കുക.
- റിസ്ക് പ്രീമിയവും വാണിജ്യ പ്രീമിയവും ആശയക്കുഴപ്പത്തിലാക്കുന്നു. കേവലമായ കേടുപാടുകൾ മാത്രം വിൽക്കുന്ന വിലയല്ല; ചെലവ്, ലാഭം, മൂലധന ചെലവ് എന്നിവ കൂട്ടിച്ചേർക്കുന്നു.
- ഒരു ലോഗ് സ്കെയിലിൽ കോഫിഫിഷ്യൻ്റ് ഉപേക്ഷിച്ച് അതിനെ തെറ്റായി വ്യാഖ്യാനിക്കുന്നു. Exp() ഉപയോഗിച്ച് ഒരു ഗുണിത ഘടകത്തിലേക്ക് പരിവർത്തനം ചെയ്യാതെ കമൻ്റ് ചെയ്യുന്നത് ഒരു പിശകിന് കാരണമാകും.
മുന്നറിയിപ്പ്: "മികച്ച കൃത്യത നൽകുന്ന" മോഡലിനെക്കുറിച്ചുള്ള AI-യുടെ ശുപാർശ "ഉപയോഗിക്കേണ്ട" മോഡലല്ല. സുതാര്യത, നീതി, നിയമനിർമ്മാണങ്ങൾ പാലിക്കൽ എന്നിവ നിർബന്ധിത മാനദണ്ഡങ്ങളും അതുപോലെ തന്നെ ആക്ച്വറിയൽ വിലനിർണ്ണയത്തിലെ കൃത്യതയുമാണ്.
ചുരുക്കത്തിൽ
അപകടസാധ്യത ഘടകങ്ങൾ ഉപയോഗിച്ച് അപകടസാധ്യത അളക്കുകയും അതിനെ ന്യായമായ പ്രീമിയമാക്കി മാറ്റുകയും ചെയ്യുന്ന പ്രക്രിയയാണ് വിലനിർണ്ണയം. ഗുണിതവും വ്യാഖ്യാനിക്കാവുന്നതുമായ ഘടനയുള്ള ആക്ച്വറിയൽ വിലനിർണ്ണയത്തിൻ്റെ മാനദണ്ഡമാണ് GLM; ഗുണകങ്ങളെ എക്സ്പ്() ഉള്ള ഘടകങ്ങളാക്കി മാറ്റുന്നു. GBM പോലുള്ള മെഷീൻ ലേണിംഗ് മോഡലുകൾ കൂടുതൽ കൃത്യതയുള്ളതാകാം, എന്നാൽ അവ സുതാര്യത കുറയ്ക്കുകയും സാധാരണയായി കണ്ടുപിടിക്കാൻ ഉപയോഗിക്കുകയും ചെയ്യുന്നു. ക്രോസ്-വാലിഡേഷൻ വഴി ഓവർഫിറ്റിംഗിൽ നിന്ന് വേരിയബിൾ തിരഞ്ഞെടുക്കൽ പരിരക്ഷിക്കപ്പെടണം, കൂടാതെ പരോക്ഷമായ വിവേചനം (സറോഗേറ്റ് വേരിയബിൾ) ശ്രദ്ധാപൂർവ്വം നിയന്ത്രിക്കണം. AI മോഡൽ നിർമ്മിക്കുകയും കോഡ് എഴുതുകയും ഗുണകം വിശദീകരിക്കുകയും ചെയ്യുന്നു; എന്നാൽ നിയമ-ധാർമ്മിക കംപ്ലയിൻസും അന്തിമ താരിഫും ആക്ച്വറി, കംപ്ലയൻസ് യൂണിറ്റിൻ്റേതാണ്.
ആപ്ലിക്കേഷൻ ടാസ്ക്
ഒരു മേജറിനുള്ള 5-6 അപകട ഘടകങ്ങൾ പട്ടികപ്പെടുത്തുക. (a) ഈ ഘടകങ്ങളുമായി GLM-ൻ്റെ ഒരു പ്രാരംഭ സ്പെസിഫിക്കേഷൻ, (b) ശ്രമിക്കാനുള്ള 2 ഇടപെടലുകളും അവയുടെ യുക്തിയും, (c) പരോക്ഷമായ വിവേചനത്തിന് സാധ്യതയുള്ള വേരിയബിളുകളുടെ ഒരു സ്ക്രീനിംഗ് എന്നിവയ്ക്കായി AI-യോട് ആവശ്യപ്പെടുക. തുടർന്ന്, 3 ലോഗ്-കോഫിഫിഷ്യൻ്റുകളുടെ ഒരു ഉദാഹരണം നൽകുക, അതിനെ exp() ഉപയോഗിച്ച് ഒരു ഗുണിത ഘടകമാക്കി മാറ്റാൻ AI-യോട് ആവശ്യപ്പെടുകയും അത് ബിസിനസ്സ് ഭാഷയിലേക്ക് മാറ്റുകയും ഘടകങ്ങൾ സ്വയം പരിശോധിക്കുകയും ചെയ്യുക.
ചെക്ക്ലിസ്റ്റ്
- [ ] എൻ്റെ മാതൃക വ്യാഖ്യാനിക്കാമോ; ഓരോ ഘടകങ്ങളുടെയും സ്വാധീനം എനിക്ക് ബിസിനസ് ഭാഷയിലേക്ക് വിവർത്തനം ചെയ്യാൻ കഴിയുമോ?
- [ ] ക്രോസ്-വാലിഡേഷൻ വഴി ഓവർഫിറ്റിംഗ് ഞാൻ പരിശോധിച്ചിട്ടുണ്ടോ?
- [ ] നിരോധിത, പ്രോക്സി വേരിയബിളുകൾക്കുള്ള പരോക്ഷ വിവേചനത്തിനായി ഞാൻ സ്കാൻ ചെയ്തിട്ടുണ്ടോ?
- [ ] ഞാൻ റിസ്ക് പ്രീമിയം വാണിജ്യ പ്രീമിയത്തിൽ നിന്ന് ബോധപൂർവ്വം വേർതിരിച്ചിട്ടുണ്ടോ?
- [ ] ഞാൻ ഗുണകങ്ങളെ exp() ഉപയോഗിച്ച് ഗുണിതങ്ങളാക്കി മാറ്റി അവയെ ശരിയായി വ്യാഖ്യാനിച്ചോ?
- [ ] നിയമനിർമ്മാണവും പാലിക്കൽ യൂണിറ്റും ചേർന്ന് ഞാൻ അന്തിമ താരിഫ് തീരുമാനം എടുത്തോ?