ஆதாயங்கள்:
- செயற்கை நுண்ணறிவின் ஆதரவுடன் பொதுவான நேரியல் மாதிரி (GLM), ஆபத்து காரணி, கட்டணம் மற்றும் ஆபத்து பிரீமியம் கருத்துகளை நிறுவுதல் மற்றும் குணகங்களை வணிக மொழியில் மொழிபெயர்க்கும் திறன்
- செயற்கை நுண்ணறிவுடன் இயந்திர கற்றல் மாதிரிகளின் (ஜிபிஎம்) மாறி தேர்வு, தொடர்பு, அதிகப்படியான பொருத்துதல் மற்றும் விளக்கத்தின் சமநிலை பற்றி விவாதிக்கும் திறன்
- விலையிடல் மாதிரியானது தடைசெய்யப்பட்ட/பாரபட்சமான மாறுபாடுகளிலிருந்து விடுபட்டது என்பதையும், சட்டம் மற்றும் போட்டியுடன் இறுதிக் கட்டணத்தை இணங்குவதையும் புரிந்து கொள்ள முடியும்.
காப்பீட்டுக் கொள்கையின் விலை தோராயமாக நிர்ணயிக்கப்படுவதில்லை. ஒரு பெரிய நகரத்தில் வசிக்கும் 22 வயது, புதிதாக உரிமம் பெற்ற ஓட்டுநருக்கு போக்குவரத்து விபத்து ஏற்படும் அபாயம், 20 வருட அனுபவமுள்ள 45 வயது ஓட்டுநரை விட புள்ளிவிவரப்படி அதிகம்; நியாயமான அமைப்பில், பிரீமியங்களும் வேறுபட்டதாக இருக்க வேண்டும். இந்த வேறுபாட்டை அளந்து அதை விலையில் பிரதிபலிக்கும் ஆக்சுவரியின் வேலை விலை மற்றும் இடர் வகைப்பாடு எனப்படும். இந்த அலகில், பொதுமைப்படுத்தப்பட்ட லீனியர் மாடல் (GLM), விலை நிர்ணயத்தின் உண்மையான முதுகெலும்பு மற்றும் அதன் இயந்திர கற்றல் மாற்றுகளைப் பற்றி விவாதிப்போம், மேலும் இந்த செயல்பாட்டில் AI ஐ எவ்வாறு பாதுகாப்பாகப் பயன்படுத்துவது என்பதைப் பார்ப்போம்.
சில அடிப்படை விதிமுறைகள். இடர் காரணி என்பது ஆபத்தை பாதிக்கும் மற்றும் விலை நிர்ணயத்தில் (வயது, வாகன வயது, பகுதி, நோக்கம் கொண்ட பயன்பாடு) பயன்படுத்தப்படும் மாறியாகும். கட்டணமானது ஆபத்து காரணிகளின்படி பிரீமியம் எவ்வாறு கணக்கிடப்படும் என்பதை நிர்ணயிக்கும் விதிகளின் தொகுப்பாகும். ரிஸ்க் பிரீமியம் என்பது முற்றிலும் எதிர்பார்க்கப்படும் இழப்புச் செலவு ஆகும்; செலவுகள், கமிஷன்கள், லாப வரம்புகள் மற்றும் மூலதன செலவுகள் சேர்க்கப்படும் போது, வணிக பிரீமியம் (விற்பனை விலை) உருவாகிறது. ஆரம்பத்தில் இருந்து நினைவூட்டுவோம்: AI மாறிகளை பரிந்துரைக்கிறது, மாதிரிகளை உருவாக்குகிறது, குணகங்களை விளக்குகிறது; ஆனால் எந்த மாறியானது சட்டப்பூர்வமானது மற்றும் நெறிமுறையானது மற்றும் இறுதிக் கட்டணம் சட்டம் மற்றும் போட்டிக்கு இணங்குகிறதா என்பது ஆக்சுவரி மற்றும் இணக்க அலகுக்கு சொந்தமானது.
ஏன் GLM என்பது ஆக்சுவேரியலில் நிலையானது
விலை நிர்ணயத்தில் அதிகம் பயன்படுத்தப்படும் முறை GLM ஆகும். GLM என்பது "பொதுவாக்கப்பட்ட நேரியல் மாதிரி" என்பதைக் குறிக்கிறது: இது சேதத் தரவு போன்ற சாதாரணமாக விநியோகிக்கப்படாத இலக்குகளுக்கு பொருந்தும் வகையில் கிளாசிக்கல் லீனியர் பின்னடைவை நீட்டிக்கிறது. இது இரண்டு அடிப்படை கூறுகளைக் கொண்டுள்ளது. விநியோகக் குடும்பம்: பாய்சன் அதிர்வெண்ணுக்குத் தேர்ந்தெடுக்கப்படுகிறது, காமா தீவிரத்திற்குத் தேர்ந்தெடுக்கப்படுகிறது (அலகு 2 இல் தர்க்கம்). இணைப்பு செயல்பாடு (இணைப்பு): பொதுவாக மடக்கை, இது காரணிகளை ஒரு பெருக்கல் விளைவை ஏற்படுத்த அனுமதிக்கிறது. ஆக்சுரியலில் பெருக்கல் அமைப்பு மிகவும் மதிப்புமிக்கது, ஏனென்றால் கட்டணமானது சரியாக அமைக்கப்பட்டுள்ளது: அடிப்படை பிரீமியம் × வயது காரணி × பிராந்திய காரணி × வாகன காரணி.
GLM இன் மிகப்பெரிய நன்மை விளக்கம் ஆகும். ஒரு குணகம் உங்களுக்கு நேரடியாகச் சொல்கிறது: "குறிப்புக் குழுவுடன் ஒப்பிடும்போது இளம் இயக்கி குழு அதிர்வெண்ணை 1.6 மடங்கு அதிகரிக்கிறது." இந்த வெளிப்படைத்தன்மை மூன்று வழிகளில் முக்கியமானது: (1) ஒழுங்குமுறை மற்றும் உள் தணிக்கை மாதிரியைப் புரிந்துகொண்டு அங்கீகரிக்க முடியும்; (2) ஒரு தடைசெய்யப்பட்ட/பாரபட்சமான விளைவு தெரியும்; (3) விலை தர்க்கத்தை விற்பனை மற்றும் நிர்வாக குழுவிற்கு விளக்கலாம். மிகவும் சிக்கலான இயந்திர கற்றல் மாதிரிகள் (கீழே) சில நேரங்களில் அதிக துல்லியத்தை கொடுக்கின்றன, ஆனால் வெளிப்படைத்தன்மையின் இழப்பில்.
குறிப்பு: GLM குணகம் பதிவு அளவில் உள்ளது. குணகத்தை எக்ஸ்ப்(குணகம்) கொண்டு "பெருக்கும் காரணியாக" மாற்ற AIயிடம் கேளுங்கள்; வணிக மொழியில் மொழிபெயர்ப்பது மிகவும் எளிதாக இருக்கும் (எ.கா. குணகம் 0.47 → காரணி ≈ 1.60 → “60% அபாயகரமானது”).
மாறக்கூடிய தேர்வு, அதிகப்படியான பொருத்துதல் மற்றும் இயந்திர கற்றல்
எந்த மாறிகள் மாதிரியில் இருக்கும் என்பது விலை நிர்ணயத்தில் மிக முக்கியமான முடிவு. இரண்டு பொறிகள் உள்ளன. சில மாறிகள் மாதிரியை குருடாக்குகின்றன: முக்கியமான ஆபத்து இயக்கி தவறவிட்டால், விலை தவறாக இருக்கும். மிகவும் மாறக்கூடிய/அதிகப் பொருத்துதலானது மாடலை கடந்த காலத் தரவை மனப்பாடம் செய்ய வைக்கிறது: மாடல் சிக்னலுக்கான சத்தத்தை தவறுதலாக மாற்றுகிறது மற்றும் புதிய கொள்கைகளுடன் தோல்வியடைகிறது. குறுக்கு-சரிபார்ப்பு மூலம் சமநிலை நிறுவப்படுகிறது - தரவைப் பயிற்சி மற்றும் சோதனைத் துண்டுகளாகப் பிரித்து, மாதிரி பார்க்காத தரவு, எளிமை மற்றும் உண்மையான பகுத்தறிவு ஆகியவற்றில் சோதனை செய்தல்.
தொடர்பும் முக்கியமானது: சில நேரங்களில் இரண்டு காரணிகளின் ஒருங்கிணைந்த விளைவு அவற்றின் தனித்தனி விளைவுகளின் கூட்டுத்தொகையிலிருந்து வேறுபடுகிறது (இளம் + விளையாட்டு வாகனம் அவற்றின் தனிப்பட்ட விளைவுகளின் கூட்டுத்தொகையை விட ஆபத்தானதாக இருக்கலாம்). GLM இல், தொடர்புகள் வெளிப்படையாக சேர்க்கப்படுகின்றன.
சமீபத்திய ஆண்டுகளில், GBM (கிரேடியண்ட் பூஸ்டிங் மெஷின் — பல சிறிய முடிவு மரங்களை ஒருங்கிணைக்கும் சக்திவாய்ந்த இயந்திர கற்றல் முறை) போன்ற மாதிரிகள் விலை நிர்ணயத்தில் பொதுவானதாகிவிட்டன. இவை தானாகவே சிக்கலான வடிவங்கள் மற்றும் இடைவினைகளைப் பிடிக்கின்றன, பெரும்பாலும் GLM ஐ விட துல்லியமான கணிப்புகளை அளிக்கின்றன. ஆனால் அது ஒரு விலையில் வருகிறது: "கருப்புப் பெட்டி"யாக இருக்கும் போக்கு. GBMஐ கண்டுபிடிப்பு மற்றும் யோசனை உருவாக்கம் மற்றும் GLMஐ இறுதி வெளிப்படையான கட்டணத்திற்கு பயன்படுத்துவது இன்றைய பொதுவான நடைமுறையாகும். அல்லது SHAP போன்ற விளக்கக் கருவிகள் மூலம் GBM வெளியீட்டை விளக்குகிறது.
பின்வரும் அட்டவணை இரண்டு அணுகுமுறைகளையும் ஒப்பிடுகிறது:
அளவுகோல்
GLM
ஜிபிஎம் (இயந்திர கற்றல்)
வியாக்கியானம்
உயர் (குணகம் ஆன்)
குறைந்த (குறிப்புக் கருவி தேவை)
தொடர்பு பிடிப்பு
கைமுறையாக சேர்க்கப்பட்டது
தானியங்கி
அதிகப்படியான பொருத்தம் ஆபத்து
குறைந்த நடுத்தர
உயர் (கவனமாக சரிசெய்தல் தேவை)
ஒழுங்குமுறை/தணிக்கை அனுமதி
எளிதாக
கடினமானது, கூடுதல் ஆவணங்கள் தேவை
வழக்கமான பயன்பாடு
இறுதி கட்டணம்
கண்டுபிடிப்பு, ஒப்பீடு
விலையில் AI ஐ எவ்வாறு பயன்படுத்துவது
1) GLM குணகத்தை வணிக மொழியில் மொழிபெயர்த்தல்:
நான் ஒரு அதிர்வெண் GLM (பாய்சன், பதிவு இணைப்பு) அமைத்தேன். சில குணகங்கள் (பதிவு அளவு): வயது_குழு_18_25: 0.47 ; பிராந்தியம்_பெரும்பான்மை: 0.22 ; arac_yasi_10plus: -0.15. ஒவ்வொன்றையும் எக்ஸ்ப்() மூலம் பெருக்கி காரணியாக மாற்றி மேலாளர் புரிந்து கொள்ளக்கூடிய ஒரு வாக்கியத்தில் விளக்கவும். குறிப்புக் குழு என்ன என்பதை நினைவூட்டவும்.
2) மாறி/தொடர்பு விவாதம்:
உங்கள் பங்கு: விலை உதவியாளர். போக்குவரத்து அதிர்வெண் மாதிரிக்கான எனது வேட்பாளர் மாறிகள்: வயது, பாலினம், பகுதி, வாகன வயது, இயந்திர சக்தி, வருடாந்திர கிமீ, தொழில். - ஒழுங்குமுறை/நெறிமுறைக் கண்ணோட்டத்தில் (எ.கா. மறைமுகப் பாகுபாடு) எந்த மாறிகள் ஆபத்தானதாக இருக்கலாம்? - எந்த இருதரப்பு தொடர்புகளை முயற்சி செய்வது அர்த்தமுள்ளதாக இருக்கும்? - அதிகப்படியான பொருத்தத்தைத் தவிர்க்க நான் என்ன சரிபார்ப்புப் படிகளைப் பின்பற்ற வேண்டும்? முடிவெடுத்தல்; கட்டுப்பாடு மற்றும் விவாதத்திற்கான கட்டமைப்பை எனக்குக் கொடுங்கள்.
3) அதிகப்படியான கட்டுப்பாட்டுக் குறியீடு:
Python + scikit-learn / statsmodels ஐப் பயன்படுத்தி k-fold cross-validation உடன் GLMஐ மதிப்பிடும் கருத்துக் குறியீட்டை எழுதவும். பாய்சன் விலகலை அளவீடாகப் பயன்படுத்தவும். பயிற்சி மற்றும் சோதனை மதிப்பெண்களை ஒப்பிட்டு, அதிக பொருத்தம் குறியை எவ்வாறு படிப்பது என்பதை கருத்துகள் வரியில் விளக்கவும். நூலகம் போலியானது.
4) பாகுபாடு/வாடகை மாறி திரையிடல்:
எனது விலை நிர்ணய மாதிரியில் 'அஞ்சல் குறியீடு' ஒரு வலுவான மாறியாக மாறியது. ப்ராக்ஸி மாறியாக தடைசெய்யப்பட்ட பண்பை (எ.கா. இனம், வருமானம்) மறைமுகமாக பிரதிநிதித்துவப்படுத்தும் அபாயத்தை விளக்குங்கள். - இந்த அபாயத்தை சோதிக்க நான் என்ன பகுப்பாய்வு செய்ய வேண்டும்? - ஆபத்தை குறைக்க என்ன மாற்று வழிகள் உள்ளன? சட்ட ஆலோசனை வழங்குதல்; ஒரு தொழில்நுட்ப மற்றும் நெறிமுறை கட்டமைப்பை வரையவும்.
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனமான உடனடி:
போக்குவரத்து காப்பீட்டிற்கான சிறந்த விலை மாதிரியை நிறுவவும்.
"சிறந்தது" என்பது வரையறுக்கப்படவில்லை; தரவு இல்லை, கட்டுப்பாடுகள் இல்லை, சட்டம் இல்லை. AI ஒரு பொதுவான, பொருந்தாத பதிலை அளிக்கிறது.
சக்திவாய்ந்த தூண்டுதல்:
உங்கள் பங்கு: விலை நிர்ணயம் செய்வதற்கான உதவியாளர். சூழல்: நான் ஒரு போக்குவரத்து கிளை அதிர்வெண் மாதிரியை உருவாக்குகிறேன், GLM (பாய்சன், பதிவு இணைப்பு). என்னிடம் உள்ள மாறிகள்: வயதுக் குழு, வாகன வயது, மண்டலம் (மாகாணம்), வருடாந்திர கிமீ, நோக்கம் கொண்ட பயன்பாடு. கட்டுப்பாடு: பாலினத்தை சட்டத்தால் பயன்படுத்த முடியாது; நான் மறைமுக பாகுபாட்டைத் தவிர்க்க வேண்டும்.பணி:1) இந்த மாறிகளுடன் ஆரம்ப மாதிரி விவரக்குறிப்பைப் பரிந்துரைக்கவும் (குறிப்புக் குழுக்கள் உட்பட) 2) நான் முயற்சி செய்ய வேண்டிய 2 தொடர்புகளுக்கான காரணங்களைக் கொடுங்கள். நீங்கள் கட்டமைப்பையும் நியாயத்தையும் வழங்குகிறீர்கள்.
மூன்று சிறிய வழக்குகள்
வழக்கு 1 - வெளிப்படைத்தன்மையின் மதிப்பு. ஒரு நிறுவனம் GBM உடன் கட்டமைக்கப்பட்ட மிகத் துல்லியமான விலை நிர்ணய மாதிரியை ரெகுலேட்டரிடம் வழங்கியது, ஆனால் குணகங்களை விளக்க முடியவில்லை; ஒப்புதல் தாமதமானது. ஆக்சுவரி அதே சிக்னல்களைப் பிடிக்கும் GLMஐ உருவாக்கியது; துல்லியம் 2 சதவிகிதம் குறைந்துள்ளது, ஆனால் ஒவ்வொரு காரணியையும் கணக்கிட முடியும் என்பதால், மாடல் ஒரு மாதத்திற்குள் சரிபார்க்கப்பட்டது. உளவுத்துறைக்காக GBM சேமிக்கப்பட்டது, GLM ஆனது கட்டணமாக மாறியது. இரண்டு மாடல்களின் செயல்திறனை ஒப்பிடும் குறியீடு மற்றும் ரெகுலேட்டர் விளக்கத்தை YZ விரைவாக உருவாக்கியது.
வழக்கு 2 - அதிகப்படியான பொறி. மாடலில் 40க்கும் மேற்பட்ட மாறிகள் மற்றும் பல இடைவினைகளைச் சேர்த்தபோது ஒரு உதவியாளர் பயிற்சித் தரவில் சரியான மதிப்பெண் பெற்றார். ஆனால் குறுக்கு சரிபார்ப்பில், சோதனை மதிப்பெண் சரிந்தது: மாதிரி சத்தத்தை மனப்பாடம் செய்தது. மாறிகளின் எண்ணிக்கை 12 ஆகக் குறைக்கப்பட்டு எளிமைப்படுத்தப்பட்டபோது நிஜ-உலக செயல்திறன் அதிகரித்தது. பாடம்: முன்னோடியில்லாத தரவு மதிப்பெண்ணைப் பாருங்கள், பயிற்சி மதிப்பெண்ணை அல்ல.
வழக்கு 3 - மறைமுக பாகுபாடு. ஒரு மாதிரியில், "அருகில்" மாறி பிரீமியத்தை வலுவாக விளக்கியது. இந்த மாறி பெரும்பாலும் இனச் செறிவுடன் ஒன்றுடன் ஒன்று இருப்பதை பகுப்பாய்வு காட்டுகிறது, அதாவது, இது ஒரு தடைசெய்யப்பட்ட பண்புக்கான பதிலாள் ஆகும். ஆக்சுவரி இந்த மாறியை மிகவும் நடுநிலையான இடர் குறிகாட்டிகளுடன் மாற்றியது (சாலை வகை, பார்க்கிங் நிலை); நெறிமுறை மற்றும் சட்ட அபாயங்கள் இரண்டும் குறைந்துள்ளன. AI ஆனது ஒன்றோடொன்று மற்றும் மாற்று மாறி பரிந்துரைகளை அளவிடும் தொடர்பு பகுப்பாய்வுகளை உருவாக்கியது; ஆக்சுவரி மற்றும் இணக்கப் பிரிவு முடிவெடுத்தது.
பொதுவான தவறுகள்
- புரிந்துகொள்ள முடியாத மாதிரியை இறுதி செய்முறையாக மாற்றுதல். கட்டுப்பாட்டாளர், தணிக்கை மற்றும் வாடிக்கையாளருக்கு விளக்க முடியாத விலை தாங்க முடியாதது; வெளிப்படைத்தன்மை அவசியம்.
- கல்வி மதிப்பெண்ணை நம்பி. பார்க்காத தரவுகளில் மட்டுமே அதிகப்படியான பொருத்தம் கண்டறியப்படுகிறது (குறுக்கு சரிபார்ப்பு).
- சரிபார்க்காமல் தடைசெய்யப்பட்ட/வாடி மாறிகளைப் பயன்படுத்துதல். ஜிப் குறியீடு மற்றும் தொழில் போன்ற மாறிகள் மறைமுக பாகுபாட்டைக் கொண்டிருக்கலாம்; கண்டிப்பாக சோதிக்கவும்.
- ரிஸ்க் பிரீமியத்தை வணிக பிரீமியத்துடன் குழப்புகிறது. தூய சேத செலவு மட்டும் விற்பனை விலை அல்ல; செலவு, லாபம் மற்றும் மூலதன செலவு ஆகியவை சேர்க்கப்படுகின்றன.
- ஒரு பதிவு அளவில் குணகத்தை விட்டுவிட்டு அதை தவறாகப் புரிந்துகொள்வது. எக்ஸ்ப்() உடன் பெருக்கி காரணியாக மாற்றாமல் கருத்துரைப்பது பிழையை ஏற்படுத்தும்.
எச்சரிக்கை: "சிறந்த துல்லியத்தை வழங்கும்" மாதிரியின் AI இன் பரிந்துரையானது தானாகவே "பயன்படுத்தப்பட வேண்டிய" மாதிரி அல்ல. வெளிப்படைத்தன்மை, நேர்மை மற்றும் சட்டத்திற்கு இணங்குதல் ஆகியவை கட்டாய அளவுகோல்களாகும், அதே போல் உண்மையான விலை நிர்ணயத்தில் துல்லியம்.
சுருக்கமாக
விலை நிர்ணயம் என்பது ஆபத்து காரணிகளைக் கொண்டு அபாயத்தை அளவிடுவது மற்றும் அதை நியாயமான பிரீமியமாக மாற்றும் செயல்முறையாகும். GLM என்பது அதன் பெருக்கல் மற்றும் விளக்கக் கட்டமைப்பைக் கொண்ட உண்மையான விலையிடலின் தரமாகும்; குணகங்கள் எக்ஸ்ப்() உடன் காரணிகளாக மாற்றப்படுகின்றன. GBM போன்ற இயந்திர கற்றல் மாதிரிகள் மிகவும் துல்லியமாக இருக்கலாம், ஆனால் அவை வெளிப்படைத்தன்மையைக் குறைக்கின்றன மற்றும் பொதுவாகக் கண்டுபிடிப்புக்குப் பயன்படுத்தப்படுகின்றன. மாறி தேர்வு குறுக்கு சரிபார்ப்பு மூலம் அதிக பொருத்தத்திற்கு எதிராக பாதுகாக்கப்பட வேண்டும், மேலும் மறைமுக பாகுபாடு (வாடி மாறி) கவனமாக கட்டுப்படுத்தப்பட வேண்டும். AI மாதிரியை உருவாக்குகிறது, குறியீட்டை எழுதுகிறது மற்றும் குணகத்தை விளக்குகிறது; ஆனால் சட்ட-நெறிமுறை இணக்கம் மற்றும் இறுதி கட்டணம் ஆகியவை ஆக்சுவரி மற்றும் இணக்க அலகுக்கு சொந்தமானது.
விண்ணப்ப பணி
ஒரு மேஜருக்கான 5-6 ஆபத்து காரணிகளை பட்டியலிடுங்கள். (அ) இந்த காரணிகளுடன் கூடிய GLM இன் ஆரம்ப விவரக்குறிப்பு, (b) முயற்சி செய்வதற்கான 2 தொடர்புகள் மற்றும் அவற்றின் பகுத்தறிவு, (c) மறைமுக பாகுபாட்டிற்கு ஆபத்தில் இருக்கும் மாறிகளின் திரையிடல் ஆகியவற்றை AIயிடம் கேளுங்கள். பின்னர், 3 பதிவு குணகங்களின் உதாரணத்தைக் கொடுங்கள், அதை எக்ஸ்ப்() உடன் பெருக்கி காரணியாக மாற்ற AI ஐக் கேட்டு அதை வணிக மொழிக்கு மாற்றவும், மேலும் காரணிகளை கைமுறையாக சரிபார்க்கவும்.
சரிபார்ப்பு பட்டியல்
- [ ] எனது மாதிரியை விளக்க முடியுமா; ஒவ்வொரு காரணியின் தாக்கத்தையும் நான் வணிக மொழியில் மொழிபெயர்க்க முடியுமா?
- [ ] குறுக்கு சரிபார்ப்பு மூலம் நான் மிகைப்படுத்தலைச் சரிபார்த்திருக்கிறேனா?
- [] தடைசெய்யப்பட்ட மற்றும் ப்ராக்ஸி மாறிகளுக்கு மறைமுக பாகுபாடு உள்ளதா?
- வணிக பிரீமியத்திலிருந்து ஆபத்து பிரீமியத்தை நான் மனப்பூர்வமாகப் பிரித்திருக்கிறேனா?
- [ ] நான் எக்ஸ்ப்() உடன் குணகங்களை பெருக்கிகளாக மாற்றி அவற்றை சரியாக விளக்குகிறேனா?
- [ ] நான் சட்டம் மற்றும் இணக்க அலகுடன் இணைந்து இறுதி கட்டண முடிவை எடுத்தேனா?