文献

J-GLOBAL ID：202102211268615060   整理番号：21A2870270

自動保険損失コストモデリングおよび予測のための勾配ブースティングツリー【JST・京大機械翻訳】

Gradient boosting trees for auto insurance loss cost modeling and prediction

著者 (1件)： Guelman Leo (Royal Bank of Canada, RBC Insurance, 6880 Financial Drive, Mississauga, Ontario, Canada L5N 7Y5)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 39  号： 3  ページ： 3659-3667  発行年： 2012年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 勾配ブースティング(GB)は,高精度予測ルールを生成するために,単純なパラメータ化関数と「貧弱な」性能(高い予測誤差)を組み合わせた反復アルゴリズムである。通常,同等の精度(例えば,ニューラルネットワークおよびサポートベクトルマシン)を提供する他の統計的学習法とは対照的に,GBは解釈可能な結果を与え,一方,データ前処理およびパラメータの調整をほとんど必要としなかった。この方法は,クリーンデータよりも非常にロバストであり,様々な応答分布(Gauss,Bernoulli,Poisson,Laplace)からの分類や回帰問題に適用できる。複雑な相互作用は簡単にモデル化され,予測子の欠落値は情報の損失なしにほとんど管理され,特徴選択は手順の不可欠な部分として実行される。これらの特性は,GBを保険損失コストモデリングのための良い候補にする。しかし,著者らの知る限りでは,この方法の保険価格決定への適用は現在まで完全には実証されていない。本論文は,GBの理論と,主要なカナダ保険者からのデータを用いて,自動「故障」事故損失コストを予測する問題への適用を示した。モデルの予測精度を,従来の一般化線形モデル(GLM)手法と比較した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  価格決定 ,  故障 ,  保険 ,  ニューラルネットワーク ,  特徴選択 ,  ロバスト性 ,  パラメタリゼーション ,  予測誤差 ,  *サポートベクトルマシン
準シソーラス用語： 予測子 ,  予測精度 ,  *ブースティング ,  反復アルゴリズム ,  データ前処理 , 【Automatic Indexing@JST】

著者キーワード (3件)： 統計的学習 ,  勾配ブースティングツリー ,  保険価格決定

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 保険 ,  損失 ,  モデリング ,  予測 ,  勾配ブースティング