PRECIFICAÇÃO DO SEGURO AUTOMÓVEL COM MACHINE LEARNING E MODELOS LINEARES GENERALIZADOS
| Autor: | Josemar C. Cabral, Eduardo Fraga Lima de Melo |
|---|---|
| Jazyk: | English<br />Spanish; Castilian<br />Portuguese |
| Rok vydání: | 2024 |
| Předmět: | |
| Zdroj: | Cadernos do IME: Série Estatística, Vol 56, Pp 39-65 (2024) |
| Druh dokumentu: | article |
| ISSN: | 1413-9022 2317-4536 |
| DOI: | 10.12957/cadest.2024.83639 |
| Popis: | Neste trabalho, aplicamos modelos de Machine Learning (árvores de regressão, random forest, boosting e XGBoost) para precificação ou tarifação de uma carteira de seguro automóvel e comparamos com modelos lineares generalizados (GLM) em dados de sinistros de seguro automóvel considerando as principais características do segurado e do veículo. Com base em critérios de avaliação de peformance fora-da-amostra, os resultados indicaram que o XGBoost é o melhor método preditivo tanto para frequência como para severidade, apresentando ganhos na predição quando comparado ao GLM comumente utilizado em tarifação de seguros. |
| Databáze: | Directory of Open Access Journals |
| Externí odkaz: |
|