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...
Na minha lista:
| Autor principal: | |
|---|---|
| Outros Autores: | |
| Formato: | Capítulo de Livro |
| Idioma: | eslovaco |
| Assuntos: | |
| Tags: |
Sem tags, seja o primeiro a adicionar uma tag!
|
Registos relacionados: 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.