購物車(0)
車險(xiǎn)定價(jià)中風(fēng)險(xiǎn)因子重要性測(cè)度的比較研究--基于集成學(xué)習(xí)方法和廣義線性回歸模型
關(guān)鍵詞：汽車保險(xiǎn) 機(jī)器學(xué)習(xí) 變量重要性 隨機(jī)森林 xgboost
摘要：車險(xiǎn)業(yè)務(wù)中影響車險(xiǎn)損失的風(fēng)險(xiǎn)因子很多,如從人因子、從車因子、從屬地因子和保單屬性因子等,保險(xiǎn)公司通常利用這些風(fēng)險(xiǎn)因子對(duì)個(gè)體風(fēng)險(xiǎn)進(jìn)行分類,一方面作為車險(xiǎn)定價(jià)的依據(jù),另一方面也為部門溝通、業(yè)務(wù)選擇和市場(chǎng)細(xì)分提供支持。因此,識(shí)別風(fēng)險(xiǎn)因子的重要性對(duì)提升整個(gè)車險(xiǎn)業(yè)務(wù)質(zhì)量有非常重要的意義。近年來機(jī)器學(xué)習(xí)算法在車險(xiǎn)損失預(yù)測(cè)中的應(yīng)用越來越多,但目前的研究主要考慮了損失預(yù)測(cè)的精度,對(duì)風(fēng)險(xiǎn)因子的重要性測(cè)度缺少系統(tǒng)深入的研究。為此,本文對(duì)8個(gè)車險(xiǎn)數(shù)據(jù)集,利用兩種集成學(xué)習(xí)方法(隨機(jī)森林和XGBoost),比較了它們與廣義線性回歸模型在索賠頻率風(fēng)險(xiǎn)因子重要性測(cè)度上的一致性。研究結(jié)果表明,這兩種集成學(xué)習(xí)方法不僅能提高預(yù)測(cè)精度,還能提供較一致的風(fēng)險(xiǎn)因子重要性測(cè)度。
保險(xiǎn)研究雜志要求:
{1}正文前要有300字左右的中文摘要，3～6條中文關(guān)鍵詞，中圖分類號(hào)，與中文對(duì)應(yīng)的英文題目、摘要和關(guān)鍵詞，參考文獻(xiàn)完整。
{2}來稿切勿一稿數(shù)投。因經(jīng)費(fèi)和人力有限,恕不退稿,投稿一個(gè)月內(nèi)作者會(huì)收到評(píng)審意見。
{3}來稿一經(jīng)接受刊登，由作者親筆簽署論文專有使用權(quán)授權(quán)書，該論文的專有使用權(quán)即歸本刊編輯部所有。
{4}作者名字后加*腳注，注明作者所在單位、職稱（職務(wù)）、學(xué)位、通訊地址、聯(lián)系電話。
{5}本刊采用順序編碼制標(biāo)注參考文獻(xiàn)，文獻(xiàn)序號(hào)按出現(xiàn)先后排序，并在文中相應(yīng)處標(biāo)出。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
