ਲਾਭ:
- ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਮਰਥਨ ਨਾਲ ਜਨਰਲਾਈਜ਼ਡ ਲੀਨੀਅਰ ਮਾਡਲ (GLM), ਜੋਖਮ ਕਾਰਕ, ਟੈਰਿਫ ਅਤੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਸੰਕਲਪਾਂ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਅਤੇ ਗੁਣਾਂ ਨੂੰ ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ (GBM) ਦੀ ਵੇਰੀਏਬਲ ਚੋਣ, ਪਰਸਪਰ ਪ੍ਰਭਾਵ, ਓਵਰਫਿਟਿੰਗ, ਅਤੇ ਵਿਆਖਿਆਯੋਗਤਾ ਦੇ ਸੰਤੁਲਨ ਬਾਰੇ ਚਰਚਾ ਕਰਨ ਦੀ ਯੋਗਤਾ
- ਇਹ ਸਮਝਣ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਕੀਮਤ ਦਾ ਮਾਡਲ ਵਰਜਿਤ/ਭੇਦਭਾਵ ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਤੋਂ ਮੁਕਤ ਹੈ ਅਤੇ ਵਿਧਾਨ ਅਤੇ ਮੁਕਾਬਲੇ ਦੇ ਨਾਲ ਅੰਤਿਮ ਟੈਰਿਫ ਦੀ ਪਾਲਣਾ ਨੂੰ ਐਕਟਚੂਰੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਹੈ।
ਕਿਸੇ ਬੀਮਾ ਪਾਲਿਸੀ ਦੀ ਕੀਮਤ ਬੇਤਰਤੀਬੇ ਢੰਗ ਨਾਲ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਵੱਡੇ ਸ਼ਹਿਰ ਵਿੱਚ ਰਹਿ ਰਹੇ ਇੱਕ 22 ਸਾਲ ਦੀ ਉਮਰ ਦੇ, ਨਵੇਂ ਲਾਇਸੰਸਸ਼ੁਦਾ ਡਰਾਈਵਰ ਲਈ ਇੱਕ ਟ੍ਰੈਫਿਕ ਦੁਰਘਟਨਾ ਦਾ ਜੋਖਮ 20 ਸਾਲਾਂ ਦੇ ਤਜ਼ਰਬੇ ਵਾਲੇ 45-ਸਾਲ ਦੇ ਡਰਾਈਵਰ ਨਾਲੋਂ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਵੱਧ ਹੈ; ਇੱਕ ਨਿਰਪੱਖ ਪ੍ਰਣਾਲੀ ਵਿੱਚ, ਪ੍ਰੀਮੀਅਮ ਵੀ ਵੱਖਰਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਸ ਅੰਤਰ ਨੂੰ ਮਾਪਣ ਅਤੇ ਇਸ ਨੂੰ ਕੀਮਤ 'ਤੇ ਪ੍ਰਤੀਬਿੰਬਤ ਕਰਨ ਦੇ ਐਕਟਚੂਰੀ ਦੇ ਕੰਮ ਨੂੰ ਕੀਮਤ ਅਤੇ ਜੋਖਮ ਵਰਗੀਕਰਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਜਨਰਲਾਈਜ਼ਡ ਲੀਨੀਅਰ ਮਾਡਲ (GLM), ਕੀਮਤ ਦੀ ਅਸਲ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ, ਅਤੇ ਇਸਦੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਕਲਪਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਾਂਗੇ, ਅਤੇ ਦੇਖਾਂਗੇ ਕਿ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ AI ਦੀ ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇ।
ਕੁਝ ਬੁਨਿਆਦੀ ਸ਼ਰਤਾਂ। ਜੋਖਮ ਕਾਰਕ ਉਹ ਵੇਰੀਏਬਲ ਹੈ ਜੋ ਜੋਖਮ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀਮਤ (ਉਮਰ, ਵਾਹਨ ਦੀ ਉਮਰ, ਖੇਤਰ, ਉਦੇਸ਼ਿਤ ਵਰਤੋਂ) ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਟੈਰਿਫ ਨਿਯਮਾਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਜੋਖਮ ਕਾਰਕਾਂ ਦੇ ਅਨੁਸਾਰ ਪ੍ਰੀਮੀਅਮ ਦੀ ਗਣਨਾ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇਗੀ। ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਸ਼ੁੱਧ ਅਨੁਮਾਨਿਤ ਨੁਕਸਾਨ ਦੀ ਲਾਗਤ ਹੈ; ਜਦੋਂ ਖਰਚੇ, ਕਮਿਸ਼ਨ, ਮੁਨਾਫੇ ਦੇ ਮਾਰਜਿਨ ਅਤੇ ਪੂੰਜੀ ਲਾਗਤਾਂ ਨੂੰ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਵਪਾਰਕ ਪ੍ਰੀਮੀਅਮ (ਵਿਕਰੀ ਕੀਮਤ) ਬਣਦਾ ਹੈ। ਚਲੋ ਸ਼ੁਰੂ ਤੋਂ ਯਾਦ ਦਿਵਾਉਂਦੇ ਹਾਂ: AI ਵੇਰੀਏਬਲ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ, ਗੁਣਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਪਰ ਕਿਹੜਾ ਵੇਰੀਏਬਲ ਕਾਨੂੰਨੀ ਅਤੇ ਨੈਤਿਕ ਹੈ ਅਤੇ ਕੀ ਅੰਤਮ ਟੈਰਿਫ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ ਅਤੇ ਮੁਕਾਬਲਾ ਐਕਟਚੂਰੀ ਅਤੇ ਪਾਲਣਾ ਯੂਨਿਟ ਨਾਲ ਸਬੰਧਤ ਹੈ।
ਐਚੁਰੀਅਲ ਵਿੱਚ GLM ਸਟੈਂਡਰਡ ਕਿਉਂ ਹੈ
ਕੀਮਤ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਤਰੀਕਾ GLM ਹੈ। GLM ਦਾ ਅਰਥ ਹੈ "ਆਮ ਤੌਰ 'ਤੇ ਲੀਨੀਅਰ ਮਾਡਲ": ਇਹ ਗੈਰ-ਆਮ ਤੌਰ 'ਤੇ ਵੰਡੇ ਗਏ ਟੀਚਿਆਂ, ਜਿਵੇਂ ਕਿ ਨੁਕਸਾਨ ਡੇਟਾ ਨੂੰ ਫਿੱਟ ਕਰਨ ਲਈ ਕਲਾਸੀਕਲ ਲੀਨੀਅਰ ਰੀਗਰੈਸ਼ਨ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਇਸ ਦੇ ਦੋ ਮੂਲ ਭਾਗ ਹਨ। ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਫੈਮਿਲੀ: ਪੋਇਸਨ ਨੂੰ ਬਾਰੰਬਾਰਤਾ ਲਈ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ, ਗਾਮਾ ਨੂੰ ਤੀਬਰਤਾ ਲਈ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ (ਯੂਨਿਟ 2 ਵਿੱਚ ਤਰਕ)। ਲਿੰਕ ਫੰਕਸ਼ਨ (ਲਿੰਕ): ਆਮ ਤੌਰ 'ਤੇ ਲਘੂਗਣਕ, ਜੋ ਕਾਰਕਾਂ ਨੂੰ ਗੁਣਾਤਮਕ ਪ੍ਰਭਾਵ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਗੁਣਾਤਮਕ ਬਣਤਰ ਐਚੁਏਰੀਅਲ ਵਿੱਚ ਬਹੁਤ ਕੀਮਤੀ ਹੈ ਕਿਉਂਕਿ ਬਿਲਕੁਲ ਇਸ ਤਰ੍ਹਾਂ ਟੈਰਿਫ ਸੈੱਟਅੱਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਬੇਸ ਪ੍ਰੀਮੀਅਮ × ਉਮਰ ਫੈਕਟਰ × ਖੇਤਰ ਫੈਕਟਰ × ਵਾਹਨ ਫੈਕਟਰ।
GLM ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਫਾਇਦਾ ਵਿਆਖਿਆਯੋਗਤਾ ਹੈ। ਇੱਕ ਗੁਣਾਂਕ ਤੁਹਾਨੂੰ ਸਿੱਧਾ ਦੱਸਦਾ ਹੈ: "ਨੌਜਵਾਨ ਡਰਾਈਵਰ ਸਮੂਹ ਸੰਦਰਭ ਸਮੂਹ ਦੇ ਮੁਕਾਬਲੇ 1.6 ਗੁਣਾ ਵਾਰਵਾਰਤਾ ਵਧਾਉਂਦਾ ਹੈ।" ਇਹ ਪਾਰਦਰਸ਼ਤਾ ਤਿੰਨ ਤਰੀਕਿਆਂ ਨਾਲ ਮਹੱਤਵਪੂਰਨ ਹੈ: (1) ਰੈਗੂਲੇਟਰ ਅਤੇ ਅੰਦਰੂਨੀ ਆਡਿਟ ਮਾਡਲ ਨੂੰ ਸਮਝ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦੇ ਸਕਦੇ ਹਨ; (2) ਇੱਕ ਮਨਾਹੀ/ਪੱਖਪਾਤੀ ਪ੍ਰਭਾਵ ਦਿਸਦਾ ਹੈ; (3) ਕੀਮਤ ਤਰਕ ਵਿਕਰੀ ਅਤੇ ਪ੍ਰਬੰਧਨ ਟੀਮ ਨੂੰ ਸਮਝਾਇਆ ਜਾ ਸਕਦਾ ਹੈ. ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ (ਹੇਠਾਂ) ਕਈ ਵਾਰ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦਿੰਦੇ ਹਨ, ਪਰ ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਕੀਮਤ 'ਤੇ।
ਸੰਕੇਤ: GLM ਗੁਣਾਂਕ ਲੌਗ ਸਕੇਲ 'ਤੇ ਹੈ। AI ਨੂੰ exp(ਗੁਣਾਕ) ਦੇ ਨਾਲ ਗੁਣਾਂਕ ਨੂੰ "ਗੁਣਾ ਕਰਨ ਵਾਲੇ ਕਾਰਕ" ਵਿੱਚ ਬਦਲਣ ਲਈ ਕਹੋ; ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ ਬਹੁਤ ਸੌਖਾ ਹੋਵੇਗਾ (ਜਿਵੇਂ ਕਿ ਗੁਣਾਂਕ 0.47 → ਫੈਕਟਰ ≈ 1.60 → “60% ਜੋਖਮ ਭਰਪੂਰ”)।
ਪਰਿਵਰਤਨਸ਼ੀਲ ਚੋਣ, ਓਵਰਫਿਟਿੰਗ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ
ਕੀਮਤ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਫੈਸਲਾ ਇਹ ਹੈ ਕਿ ਮਾਡਲ ਵਿੱਚ ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਰਹਿਣਗੇ। ਦੋ ਜਾਲ ਹਨ। ਕੁਝ ਵੇਰੀਏਬਲ ਮਾਡਲ ਨੂੰ ਅੰਨ੍ਹਾ ਕਰ ਦਿੰਦੇ ਹਨ: ਜੇਕਰ ਮਹੱਤਵਪੂਰਨ ਜੋਖਮ ਡਰਾਈਵਰ ਖੁੰਝ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਕੀਮਤ ਗਲਤ ਹੋਵੇਗੀ। ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਰਿਵਰਤਨਸ਼ੀਲ / ਓਵਰਫਿਟਿੰਗ ਮਾਡਲ ਨੂੰ ਪਿਛਲੇ ਡੇਟਾ ਨੂੰ ਯਾਦ ਰੱਖਦੀ ਹੈ: ਮਾਡਲ ਸਿਗਨਲ ਲਈ ਰੌਲੇ ਦੀ ਗਲਤੀ ਕਰਦਾ ਹੈ ਅਤੇ ਨਵੀਆਂ ਨੀਤੀਆਂ ਨਾਲ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਸੰਤੁਲਨ ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਦੁਆਰਾ ਸਥਾਪਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ - ਡੇਟਾ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਦੇ ਟੁਕੜਿਆਂ ਵਿੱਚ ਵੰਡਣਾ ਅਤੇ ਉਸ ਡੇਟਾ 'ਤੇ ਟੈਸਟ ਕਰਨਾ ਜੋ ਮਾਡਲ ਨਹੀਂ ਦੇਖਦਾ, ਸਾਦਗੀ ਅਤੇ ਅਸਲ ਤਰਕ।
ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ: ਕਈ ਵਾਰ ਦੋ ਕਾਰਕਾਂ ਦਾ ਸੰਯੁਕਤ ਪ੍ਰਭਾਵ ਉਹਨਾਂ ਦੇ ਵੱਖਰੇ ਪ੍ਰਭਾਵਾਂ ਦੇ ਜੋੜ ਤੋਂ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ (ਇੱਕ ਨੌਜਵਾਨ + ਸਪੋਰਟੀ ਵਾਹਨ ਉਹਨਾਂ ਦੇ ਵਿਅਕਤੀਗਤ ਪ੍ਰਭਾਵਾਂ ਦੇ ਜੋੜ ਨਾਲੋਂ ਜੋਖਮ ਭਰਿਆ ਹੋ ਸਕਦਾ ਹੈ)। GLM ਵਿੱਚ, ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।
ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਮਾਡਲ ਜਿਵੇਂ ਕਿ GBM (ਗ੍ਰੇਡੀਐਂਟ ਬੂਸਟਿੰਗ ਮਸ਼ੀਨ - ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀ ਜੋ ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਫੈਸਲੇ ਵਾਲੇ ਰੁੱਖਾਂ ਨੂੰ ਜੋੜਦੀ ਹੈ) ਕੀਮਤਾਂ ਵਿੱਚ ਆਮ ਹੋ ਗਏ ਹਨ। ਇਹ ਆਪਣੇ ਆਪ ਹੀ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਅਤੇ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ, ਅਕਸਰ GLM ਨਾਲੋਂ ਵਧੇਰੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀਆਂ ਦਿੰਦੇ ਹਨ। ਪਰ ਇਹ ਇੱਕ ਕੀਮਤ 'ਤੇ ਆਉਂਦਾ ਹੈ: ਇੱਕ "ਬਲੈਕ ਬਾਕਸ" ਹੋਣ ਦੀ ਪ੍ਰਵਿਰਤੀ। ਅੱਜ ਆਮ ਅਭਿਆਸ ਖੋਜ ਅਤੇ ਵਿਚਾਰ ਪੈਦਾ ਕਰਨ ਲਈ GBM ਅਤੇ ਅੰਤਿਮ ਪਾਰਦਰਸ਼ੀ ਟੈਰਿਫ ਲਈ GLM ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ; ਜਾਂ GBM ਆਉਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆਯੋਗਤਾ ਸਾਧਨਾਂ ਜਿਵੇਂ ਕਿ SHAP ਨਾਲ ਵਿਆਖਿਆ ਕਰਨਾ।
ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਦੋ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੀ ਹੈ:
ਮਾਪਦੰਡ
ਜੀ.ਐਲ.ਐਮ
GBM (ਮਸ਼ੀਨ ਲਰਨਿੰਗ)
ਵਿਆਖਿਆਯੋਗਤਾ
ਉੱਚ (ਗੁਣਾਕ ਚਾਲੂ)
ਘੱਟ (ਐਨੋਟੇਸ਼ਨ ਟੂਲ ਦੀ ਲੋੜ ਹੈ)
ਇੰਟਰਐਕਸ਼ਨ ਕੈਪਚਰ
ਹੱਥੀਂ ਜੋੜਿਆ ਗਿਆ
ਆਟੋਮੈਟਿਕ
ਓਵਰਫਿਟਿੰਗ ਦਾ ਜੋਖਮ
ਘੱਟ-ਮੱਧਮ
ਉੱਚ (ਸਾਵਧਾਨੀ ਨਾਲ ਸਮਾਯੋਜਨ ਦੀ ਲੋੜ ਹੈ)
ਰੈਗੂਲੇਟਰ/ਆਡਿਟ ਪ੍ਰਵਾਨਗੀ
ਆਸਾਨ
ਮੁਸ਼ਕਲ, ਵਾਧੂ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਲੋੜ ਹੈ
ਆਮ ਵਰਤੋਂ
ਅੰਤਮ ਟੈਰਿਫ
ਖੋਜ, ਤੁਲਨਾ
ਕੀਮਤ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ
1) ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ GLM ਗੁਣਾਂਕ ਦਾ ਅਨੁਵਾਦ ਕਰਨਾ:
ਮੈਂ ਇੱਕ ਬਾਰੰਬਾਰਤਾ GLM (Poisson, ਲੌਗ ਲਿੰਕ) ਸੈਟ ਅਪ ਕਰਦਾ ਹਾਂ. ਕੁਝ ਗੁਣਾਂਕ (ਲੌਗ ਸਕੇਲ): ਉਮਰ_ਗਰੁੱਪ_18_25: 0.47 ; ਖੇਤਰ_ਬਹੁਗਿਣਤੀ: 0.22; arac_yasi_10plus: -0.15. ਹਰੇਕ ਨੂੰ exp() ਦੇ ਨਾਲ ਗੁਣਕ ਫੈਕਟਰ ਵਿੱਚ ਬਦਲੋ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਵਾਕ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ ਜੋ ਇੱਕ ਪ੍ਰਬੰਧਕ ਸਮਝ ਸਕਦਾ ਹੈ। ਇਹ ਵੀ ਯਾਦ ਦਿਵਾਓ ਕਿ ਹਵਾਲਾ ਸਮੂਹ ਕੀ ਹੈ।
2) ਵੇਰੀਏਬਲ/ਇੰਟਰੈਕਸ਼ਨ ਚਰਚਾ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੀਮਤ ਸਹਾਇਕ। ਟ੍ਰੈਫਿਕ ਬਾਰੰਬਾਰਤਾ ਮਾਡਲ ਲਈ ਮੇਰੇ ਉਮੀਦਵਾਰ ਵੇਰੀਏਬਲ ਹਨ: ਉਮਰ, ਲਿੰਗ, ਖੇਤਰ, ਵਾਹਨ ਦੀ ਉਮਰ, ਇੰਜਣ ਦੀ ਸ਼ਕਤੀ, ਸਾਲਾਨਾ ਕਿਲੋਮੀਟਰ, ਪੇਸ਼ੇ। - ਕਿਹੜੇ ਵੇਰੀਏਬਲ ਰੈਗੂਲੇਟਰੀ/ਨੈਤਿਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਖ਼ਤਰਨਾਕ ਹੋ ਸਕਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ ਅਸਿੱਧੇ ਵਿਤਕਰੇ)? - ਕਿਹੜੀਆਂ ਦੁਵੱਲੀਆਂ ਪਰਸਪਰ ਕ੍ਰਿਆਵਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨ ਦਾ ਮਤਲਬ ਹੋਵੇਗਾ? - ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਬਚਣ ਲਈ ਮੈਨੂੰ ਕਿਹੜੇ ਪੁਸ਼ਟੀਕਰਨ ਕਦਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ? ਫੈਸਲਾ ਲੈਣਾ; ਮੈਨੂੰ ਨਿਯੰਤਰਣ ਅਤੇ ਚਰਚਾ ਲਈ ਢਾਂਚਾ ਦਿਓ।
3) ਓਵਰਫਿਟਿੰਗ ਕੰਟਰੋਲ ਕੋਡ:
ਟਿੱਪਣੀ ਕੋਡ ਲਿਖੋ ਜੋ Python + scikit-learn / statsmodels ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੇ-ਫੋਲਡ ਕਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ ਨਾਲ ਇੱਕ GLM ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ। ਮੈਟ੍ਰਿਕ ਦੇ ਤੌਰ 'ਤੇ ਪੋਇਸਨ ਡਿਵੀਏਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਦੇ ਅੰਕਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਟਿੱਪਣੀ ਲਾਈਨ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰੋ ਕਿ ਓਵਰਫਿਟਿੰਗ ਚਿੰਨ੍ਹ ਨੂੰ ਕਿਵੇਂ ਪੜ੍ਹਨਾ ਹੈ। ਲਾਇਬ੍ਰੇਰੀ ਜਾਅਲੀ ਹੈ।
4) ਵਿਤਕਰਾ/ਸਰੋਗੇਟ ਵੇਰੀਏਬਲ ਸਕ੍ਰੀਨਿੰਗ:
'ਪੋਸਟਕੋਡ' ਮੇਰੇ ਕੀਮਤ ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਮਜ਼ਬੂਤ ਵੇਰੀਏਬਲ ਸਾਬਤ ਹੋਇਆ। ਇੱਕ ਪ੍ਰੌਕਸੀ ਵੇਰੀਏਬਲ ਦੇ ਤੌਰ 'ਤੇ ਇੱਕ ਵਰਜਿਤ ਵਿਸ਼ੇਸ਼ਤਾ (ਜਿਵੇਂ ਕਿ ਜਾਤੀ, ਆਮਦਨ) ਨੂੰ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦਰਸਾਉਣ ਦੇ ਜੋਖਮ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। - ਇਸ ਜੋਖਮ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਮੈਨੂੰ ਕੀ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ? - ਜੋਖਮ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕਿਹੜੇ ਵਿਕਲਪ ਹਨ? ਕਾਨੂੰਨੀ ਸਲਾਹ ਪ੍ਰਦਾਨ ਕਰਨਾ; ਇੱਕ ਤਕਨੀਕੀ ਅਤੇ ਨੈਤਿਕ ਫਰੇਮਵਰਕ ਬਣਾਓ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਟ੍ਰੈਫਿਕ ਬੀਮੇ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਕੀਮਤ ਮਾਡਲ ਦੀ ਸਥਾਪਨਾ ਕਰੋ।
"ਸਭ ਤੋਂ ਵਧੀਆ" ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ ਹੈ; ਕੋਈ ਡਾਟਾ ਨਹੀਂ, ਕੋਈ ਪਾਬੰਦੀਆਂ ਨਹੀਂ, ਕੋਈ ਕਾਨੂੰਨ ਨਹੀਂ। AI ਇੱਕ ਆਮ, ਲਾਗੂ ਨਾ ਹੋਣ ਵਾਲਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੀਮਤ ਨਿਰਧਾਰਨ ਦੇ ਸਹਾਇਕ। ਸੰਦਰਭ: ਮੈਂ ਇੱਕ ਟ੍ਰੈਫਿਕ ਬ੍ਰਾਂਚ ਫ੍ਰੀਕੁਐਂਸੀ ਮਾਡਲ, GLM (Poisson, log link) ਬਣਾ ਰਿਹਾ ਹਾਂ। ਮੇਰੇ ਕੋਲ ਵੇਰੀਏਬਲ ਹਨ: ਉਮਰ ਸਮੂਹ, ਵਾਹਨ ਦੀ ਉਮਰ, ਖੇਤਰ (ਪ੍ਰਾਂਤ), ਸਾਲਾਨਾ ਕਿਲੋਮੀਟਰ, ਉਦੇਸ਼ਿਤ ਵਰਤੋਂ। ਪਾਬੰਦੀ: ਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਾਨੂੰਨ ਦੁਆਰਾ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ; ਮੈਨੂੰ ਅਸਿੱਧੇ ਵਿਤਕਰੇ ਤੋਂ ਬਚਣ ਦੀ ਲੋੜ ਹੈ। ਟਾਸਕ:1) ਇਹਨਾਂ ਵੇਰੀਏਬਲਾਂ (ਸੰਦਰਭ ਸਮੂਹਾਂ ਸਮੇਤ) ਦੇ ਨਾਲ ਸ਼ੁਰੂਆਤੀ ਮਾਡਲ ਨਿਰਧਾਰਨ ਦਾ ਸੁਝਾਅ ਦਿਓ। 2) ਮੈਨੂੰ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ 2 ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੇ ਕਾਰਨ ਦਿਓ। 3) ਓਵਰਫਿਟਿੰਗ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਕਦਮਾਂ ਦੀ ਸੂਚੀ ਦਿਓ। 4) ਅਸਿੱਧੇ ਵਿਤਕਰੇ ਦੇ ਮਾਮਲੇ ਵਿੱਚ 'ਖੇਤਰ' ਲਈ ਵਿਸ਼ੇਸ਼ ਧਿਆਨ ਦਿਓ। ਮੈਂ ਫੈਸਲਾ ਕਰਾਂਗਾ; ਤੁਸੀਂ ਫਰੇਮਵਰਕ ਅਤੇ ਜਾਇਜ਼ਤਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹੋ.
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਮੁੱਲ। ਇੱਕ ਕੰਪਨੀ ਨੇ ਰੈਗੂਲੇਟਰ ਨੂੰ GBM ਨਾਲ ਬਣਾਇਆ ਇੱਕ ਬਹੁਤ ਹੀ ਸਹੀ ਕੀਮਤ ਮਾਡਲ ਪੇਸ਼ ਕੀਤਾ, ਪਰ ਗੁਣਾਂ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰ ਸਕਿਆ; ਪ੍ਰਵਾਨਗੀ ਦੇਰੀ. ਐਕਚੁਅਰੀ ਨੇ ਇੱਕ GLM ਬਣਾਇਆ ਜਿਸ ਨੇ ਉਹੀ ਸਿਗਨਲ ਹਾਸਲ ਕੀਤੇ; ਸ਼ੁੱਧਤਾ ਵਿੱਚ 2 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਗਿਰਾਵਟ ਆਈ, ਪਰ ਕਿਉਂਕਿ ਹਰੇਕ ਕਾਰਕ ਲਈ ਹਿਸਾਬ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ, ਮਾਡਲ ਨੂੰ ਇੱਕ ਮਹੀਨੇ ਦੇ ਅੰਦਰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਗਿਆ ਸੀ। GBM ਨੂੰ ਖੋਜ ਲਈ ਬਚਾਇਆ ਗਿਆ ਸੀ, GLM ਟੈਰਿਫ ਬਣ ਗਿਆ। YZ ਨੇ ਦੋ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ ਤੇਜ਼ੀ ਨਾਲ ਕੋਡ ਅਤੇ ਰੈਗੂਲੇਟਰ ਵੇਰਵਾ ਤਿਆਰ ਕੀਤਾ।
ਕੇਸ 2 - ਓਵਰਫਿਟਿੰਗ ਜਾਲ। ਇੱਕ ਸਹਾਇਕ ਨੇ ਸਿਖਲਾਈ ਡੇਟਾ 'ਤੇ ਇੱਕ ਸੰਪੂਰਨ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਦੋਂ ਉਸਨੇ ਮਾਡਲ ਵਿੱਚ 40 ਤੋਂ ਵੱਧ ਵੇਰੀਏਬਲ ਅਤੇ ਕਈ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਸ਼ਾਮਲ ਕੀਤੇ। ਪਰ ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ 'ਤੇ, ਟੈਸਟ ਸਕੋਰ ਢਹਿ ਗਿਆ: ਮਾਡਲ ਨੇ ਰੌਲਾ ਯਾਦ ਕਰ ਲਿਆ ਸੀ। ਅਸਲ-ਸੰਸਾਰ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਜਦੋਂ ਵੇਰੀਏਬਲਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ 12 ਤੱਕ ਘਟਾ ਦਿੱਤਾ ਗਿਆ ਅਤੇ ਸਰਲ ਬਣਾਇਆ ਗਿਆ। ਪਾਠ: ਬੇਮਿਸਾਲ ਡੇਟਾ ਸਕੋਰ ਦੇਖੋ, ਸਿਖਲਾਈ ਸਕੋਰ ਨੂੰ ਨਹੀਂ।
ਕੇਸ 3 - ਅਸਿੱਧਾ ਵਿਤਕਰਾ। ਇੱਕ ਮਾਡਲ ਵਿੱਚ, "ਨੇਬਰਹੁੱਡ" ਵੇਰੀਏਬਲ ਨੇ ਪ੍ਰੀਮੀਅਮ ਦੀ ਜ਼ੋਰਦਾਰ ਵਿਆਖਿਆ ਕੀਤੀ ਹੈ। ਵਿਸ਼ਲੇਸ਼ਣ ਨੇ ਦਿਖਾਇਆ ਕਿ ਇਹ ਵੇਰੀਏਬਲ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਨਸਲੀ ਇਕਾਗਰਤਾ ਦੇ ਨਾਲ ਓਵਰਲੈਪ ਕੀਤਾ ਗਿਆ ਹੈ, ਭਾਵ, ਇਹ ਇੱਕ ਵਰਜਿਤ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਇੱਕ ਪ੍ਰੌਕਸੀ ਸੀ। ਐਕਚੁਅਰੀ ਨੇ ਇਸ ਵੇਰੀਏਬਲ ਨੂੰ ਹੋਰ ਨਿਰਪੱਖ ਜੋਖਮ ਸੂਚਕਾਂ (ਸੜਕ ਦੀ ਕਿਸਮ, ਪਾਰਕਿੰਗ ਸਥਿਤੀ) ਨਾਲ ਬਦਲ ਦਿੱਤਾ ਹੈ; ਨੈਤਿਕ ਅਤੇ ਕਾਨੂੰਨੀ ਖਤਰੇ ਦੋਵੇਂ ਘਟੇ ਹਨ। ਏਆਈ ਨੇ ਓਵਰਲੈਪ ਅਤੇ ਵਿਕਲਪਕ ਵੇਰੀਏਬਲ ਸੁਝਾਵਾਂ ਨੂੰ ਮਾਪਣ ਵਾਲੇ ਸਬੰਧਾਂ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਉਤਪਾਦਨ ਕੀਤਾ; ਐਕਟਚੂਰੀ ਅਤੇ ਪਾਲਣਾ ਯੂਨਿਟ ਨੇ ਇਹ ਫੈਸਲਾ ਲਿਆ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਅਨਪੜ੍ਹ ਮਾਡਲ ਨੂੰ ਅੰਤਿਮ ਵਿਅੰਜਨ ਬਣਾਉਣਾ। ਇੱਕ ਕੀਮਤ ਜੋ ਰੈਗੂਲੇਟਰ, ਆਡਿਟ ਅਤੇ ਗਾਹਕ ਨੂੰ ਨਹੀਂ ਦੱਸੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਸਥਿਰ ਹੈ; ਪਾਰਦਰਸ਼ਤਾ ਜ਼ਰੂਰੀ ਹੈ।
- ਸਿੱਖਿਆ ਸਕੋਰ 'ਤੇ ਭਰੋਸਾ. ਓਵਰਫਿਟਿੰਗ ਦਾ ਪਤਾ ਸਿਰਫ ਅਣਦੇਖੇ ਡੇਟਾ (ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਕਤਾ) ਵਿੱਚ ਪਾਇਆ ਜਾਂਦਾ ਹੈ।
- ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਵਰਜਿਤ/ਸਰੋਗੇਟ ਵੇਰੀਏਬਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਜ਼ਿਪ ਕੋਡ ਅਤੇ ਕਿੱਤੇ ਵਰਗੇ ਵੇਰੀਏਬਲ ਅਸਿੱਧੇ ਵਿਤਕਰੇ ਨੂੰ ਲੈ ਸਕਦੇ ਹਨ; ਇਸ ਦੀ ਜਾਂਚ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ.
- ਵਪਾਰਕ ਪ੍ਰੀਮੀਅਮ ਦੇ ਨਾਲ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਉਲਝਾਉਣਾ। ਸ਼ੁੱਧ ਨੁਕਸਾਨ ਦੀ ਕੀਮਤ ਇਕੱਲੀ ਵੇਚਣ ਦੀ ਕੀਮਤ ਨਹੀਂ ਹੈ; ਖਰਚ, ਲਾਭ ਅਤੇ ਪੂੰਜੀ ਦੀ ਲਾਗਤ ਨੂੰ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ।
- ਲੌਗ ਸਕੇਲ 'ਤੇ ਗੁਣਾਂਕ ਨੂੰ ਛੱਡਣਾ ਅਤੇ ਇਸਦੀ ਗਲਤ ਵਿਆਖਿਆ ਕਰਨਾ। exp() ਦੇ ਨਾਲ ਗੁਣਕ ਫੈਕਟਰ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤੇ ਬਿਨਾਂ ਟਿੱਪਣੀ ਕਰਨ ਨਾਲ ਇੱਕ ਤਰੁੱਟੀ ਪੈਦਾ ਹੋਵੇਗੀ।
ਸਾਵਧਾਨ: AI ਦੀ ਉਸ ਮਾਡਲ ਦੀ ਸਿਫ਼ਾਰਿਸ਼ ਜੋ "ਵਧੀਆ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ" ਆਪਣੇ ਆਪ ਉਹ ਮਾਡਲ ਨਹੀਂ ਹੈ ਜਿਸ ਨੂੰ "ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ"। ਪਾਰਦਰਸ਼ਤਾ, ਨਿਰਪੱਖਤਾ ਅਤੇ ਕਾਨੂੰਨ ਦੀ ਪਾਲਣਾ ਲਾਜ਼ਮੀ ਮਾਪਦੰਡ ਦੇ ਨਾਲ-ਨਾਲ ਅਸਲ ਕੀਮਤ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਹੈ।
ਸਾਰੰਸ਼ ਵਿੱਚ
ਕੀਮਤ ਨਿਰਧਾਰਨ ਜੋਖਮ ਕਾਰਕਾਂ ਨਾਲ ਜੋਖਮ ਨੂੰ ਮਾਪਣ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਨਿਰਪੱਖ ਪ੍ਰੀਮੀਅਮ ਵਿੱਚ ਬਦਲਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਹੈ। GLM ਇਸਦੀ ਗੁਣਾਤਮਕ ਅਤੇ ਵਿਆਖਿਆਯੋਗ ਬਣਤਰ ਦੇ ਨਾਲ ਐਕਚੁਰੀਅਲ ਕੀਮਤ ਦਾ ਮਿਆਰ ਹੈ; ਗੁਣਾਂਕ ਨੂੰ exp() ਨਾਲ ਕਾਰਕਾਂ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਜਿਵੇਂ ਕਿ GBM ਵਧੇਰੇ ਸਟੀਕ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਪਾਰਦਰਸ਼ਤਾ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਖੋਜ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਪਰਿਵਰਤਨਸ਼ੀਲ ਚੋਣ ਨੂੰ ਕਰਾਸ-ਵੈਧੀਕਰਨ ਦੁਆਰਾ ਓਵਰਫਿਟਿੰਗ ਤੋਂ ਸੁਰੱਖਿਅਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਅਸਿੱਧੇ ਵਿਤਕਰੇ (ਸਰੋਗੇਟ ਵੇਰੀਏਬਲ) ਨੂੰ ਧਿਆਨ ਨਾਲ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। AI ਮਾਡਲ ਬਣਾਉਂਦਾ ਹੈ, ਕੋਡ ਲਿਖਦਾ ਹੈ ਅਤੇ ਗੁਣਾਂਕ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ; ਪਰ ਕਾਨੂੰਨੀ-ਨੈਤਿਕ ਪਾਲਣਾ ਅਤੇ ਅੰਤਮ ਟੈਰਿਫ ਐਕਟਚੂਰੀ ਅਤੇ ਪਾਲਣਾ ਯੂਨਿਟ ਨਾਲ ਸਬੰਧਤ ਹਨ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਪ੍ਰਮੁੱਖ ਲਈ 5-6 ਜੋਖਮ ਦੇ ਕਾਰਕਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ। AI ਨੂੰ (a) ਇਹਨਾਂ ਕਾਰਕਾਂ ਦੇ ਨਾਲ GLM ਦੇ ਇੱਕ ਸ਼ੁਰੂਆਤੀ ਨਿਰਧਾਰਨ ਲਈ ਪੁੱਛੋ, (b) ਕੋਸ਼ਿਸ਼ ਕਰਨ ਲਈ 2 ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਅਤੇ ਉਹਨਾਂ ਦੇ ਤਰਕ, (c) ਉਹਨਾਂ ਵੇਰੀਏਬਲਾਂ ਦੀ ਸਕ੍ਰੀਨਿੰਗ ਜੋ ਅਸਿੱਧੇ ਵਿਤਕਰੇ ਲਈ ਜੋਖਮ ਵਿੱਚ ਹੋ ਸਕਦੇ ਹਨ। ਫਿਰ, 3 ਲੌਗ-ਗੁਣਾਂ ਦੀ ਇੱਕ ਉਦਾਹਰਨ ਦਿਓ, AI ਨੂੰ ਇਸਨੂੰ exp() ਦੇ ਨਾਲ ਗੁਣਕ ਫੈਕਟਰ ਵਿੱਚ ਬਦਲਣ ਲਈ ਕਹੋ ਅਤੇ ਇਸਨੂੰ ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰੋ, ਅਤੇ ਕਾਰਕਾਂ ਦੀ ਦਸਤੀ ਪੁਸ਼ਟੀ ਕਰੋ।
ਚੈੱਕਲਿਸਟ
- ਕੀ ਮੇਰੇ ਮਾਡਲ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਕੀ ਮੈਂ ਹਰੇਕ ਕਾਰਕ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਵਪਾਰਕ ਭਾਸ਼ਾ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰ ਸਕਦਾ ਹਾਂ?
- [ ] ਕੀ ਮੈਂ ਕਰਾਸ-ਵੈਰੀਡੇਸ਼ਨ ਦੁਆਰਾ ਓਵਰਫਿਟਿੰਗ ਲਈ ਜਾਂਚ ਕੀਤੀ ਹੈ?
- [ ] ਕੀ ਮੈਂ ਵਰਜਿਤ ਅਤੇ ਪ੍ਰੌਕਸੀ ਵੇਰੀਏਬਲਾਂ ਲਈ ਅਸਿੱਧੇ ਵਿਤਕਰੇ ਲਈ ਸਕੈਨ ਕੀਤਾ ਹੈ?
- ਕੀ ਮੈਂ ਜਾਣਬੁੱਝ ਕੇ ਜੋਖਮ ਪ੍ਰੀਮੀਅਮ ਨੂੰ ਵਪਾਰਕ ਪ੍ਰੀਮੀਅਮ ਤੋਂ ਵੱਖ ਕੀਤਾ ਹੈ?
- ਕੀ ਮੈਂ ਗੁਣਾਂਕਾਂ ਨੂੰ exp() ਨਾਲ ਗੁਣਾਂਕ ਵਿੱਚ ਬਦਲਿਆ ਅਤੇ ਉਹਨਾਂ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕੀਤੀ?
- [ ] ਕੀ ਮੈਂ ਵਿਧਾਨ ਅਤੇ ਪਾਲਣਾ ਯੂਨਿਟ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਅੰਤਿਮ ਟੈਰਿਫ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਸੀ?