LightGBM与Tweedie损失GLM的分布自由推断
机器学习
2025-07-10 v1 机器学习
摘要
预测不确定性量化是近年来科学和商业问题中的关键研究主题。在保险行业，评估 individual driver 索赔成本的可能范围有助于提高保费定价的准确性。它还使保险公司能够通过考虑事故发生概率和严重程度的不确定性，更有效地管理风险。在存在协变量的情况下，常用于建模保险索赔的回归模型种类繁多，从相对简单的广义线性模型（GLMs）到正则化GLMs，再到梯度提升模型（GBMs）。共轭预测推断（conformal predictive inference）因其在交换性假设下的弱条件下进行不确定性量化，已成为热门方法，并在经典线性回归setting中得到良好研究。在本工作中，我们为GLMs和GBMs with GLM-type loss 提出了新的non-conformity measures。我们使用正则化Tweedie GLM回归和LightGBM with Tweedie loss，展示了这些non-conformity measures在保险索赔数据上的共轭预测性能。我们的仿真结果表明，对于LightGBM，采用局部加权Pearson残差的方法优于其他方法，因为所得置信区间在保持名义覆盖率的同时，平均宽度最小。
引用
@article{arxiv.2507.06921,
title = {Distribution-free inference for LightGBM and GLM with Tweedie loss},
author = {Alokesh Manna and Aditya Vikram Sett and Dipak K. Dey and Yuwen Gu and Elizabeth D. Schifano and Jichao He},
journal= {arXiv preprint arXiv:2507.06921},
year = {2025}
}