Porovnanie stratégií trénovania modelu XGboost: Train-test split a k-fold cross validácia
Spoľahlivé modelovanie je kľúčovým prvkom riadenia rizík v poisťovniach, a to najmä v kontexte plnenia regulačných rámcov, ako je Solvency II. V aktuárskej praxi sa čoraz častejšie využívajú moderné metódy strojového učenia, ktoré dokážu zachytiť komplexné vzťahy medzi rizikovými faktormi a finančný...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | |
| Format: | Chapitre de livre |
| Langue: | slovaque |
| Sujets: | |
| Tags: |
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires: Porovnanie stratégií trénovania modelu XGboost: Train-test split a k-fold cross validácia
- Globálne hodnotenie významnosti premenných v modeli XGBoost
- Porovnanie klasickej analýzy významnosti premenných a interpretácie pomocou SHAP pri modeli XGboost
- Fuzzy logika v predspracovaní údajov a jej vplyv na výkonnosť modelu strojového učenia XGBOOST
- Finančná bublina a explozívny proces
- Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
- On likelihood ratio tests for threshold autoregression.