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...
Salvato in:
| Autore principale: | |
|---|---|
| Altri autori: | |
| Natura: | Capitolo di libro |
| Lingua: | slovacco |
| Soggetti: | |
| Tags: |
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi: 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.