Befehle des Menübands überspringen
Zum Hauptinhalt wechseln
Anmelden

Anwendungsfälle

 Inhalts-Editor ‭[1]‬

Anwendungsfälle

Die Arbeitsgruppen des Ausschusses Actuarial Data Science erarbeiten verschiedene Anwendungsfälle, die nachfolgend vorgestellt werden.

 

GLM, Deep Learning und Gradient Boosting in der Schadentarifierung, Teil 1

Ausschuss Actuarial Data Science in Zusammenarbeit mit der Arbeitsgruppe Tarifierungsmethodik des Ausschusses Schadenversicherung, 23.04.2020

Welchen Mehrwert können Methoden des Maschinellen Lernens für die Schadentarifierung bieten? Zur Klärung dieser Frage werden für einen französischen Autoversicherungsbestand mit den oben genannten Methoden Schadenhäufigkeitsmodelle berechnet, kreuzvalidiert und die Prognoseergebnisse verglichen. Dabei wird auch auf Praxisaspekte wie z.B. Tariforganik eingegangen. Es zeigt sich, dass "Deep Learning" und "Gradient Boosting" mindestens für die Verbesserung klassischer Modelle verwendet werden können. Die mit Abstand genauesten Prognosen werden hier mit "Gradient Boosting" erzielt.

Weitere Informationen

 







 SpLoginControl - LoginControl

Login


Adressnr.:
Passwort:

 Inhalts-Editor ‭[2]‬

GitHub-Account

Über diesen Link gelangen Sie zum GitHub-Account der DAV.

 Inhalts-Editor ‭[3]‬

DAV
DGVFM
IVS

Kontakt
Impressum
Datenschutz

Unsere Mitglieder
Unsere Themen
Unsere Veranstaltungen

Ausbildung DAV
Ausbildung IVS
Ausbildung CERA

Pressemeldungen
Aktuar Aktuell
Stellenanzeigen