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...
Guardado en:
| Autor principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Capítulo de libro |
| Lenguaje: | eslovaco |
| Materias: | |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | 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 finančnými ukazovateľmi. Tento príspevok porovnáva tri stratégie trénovania regresného modelu XGBoost pri predikcii poistných nákladov: jednoduché rozdelenie dát (80/20), K-fold cross-validáciu bez miešania dáta K-fold cross-validáciu s náhodným miešaním. Zhodnotenie, ako voľba validačnej stratégie ovplyvňuje stabilitu a generalizáciu modelu, a tým aj spoľahlivosť odhadov, ktoré môžu slúžiť ako podklad pre rozhodnutia o tvorbe kapitálu, oceňovaní rezerv či nastavovaní poistného. Výsledky potvrdzujú, že správne zvolená validačná stratégia je nevyhnutná pre minimalizáciu modelového rizika a pre zvýšenie robustnosti prognóz v aktuárskej oblasti. |
|---|