用于零膨胀保险索赔的增强梯度提升及CatBoost、XGBoost与LightGBM的比较分析
机器学习
2024-06-19 v3
摘要
财产与意外(P&C)保险行业因正索赔的高度右偏分布且含过多零值，在开发索赔预测模型时面临挑战。为此，精算科学研究者采用了结合传统计数模型与二值模型的“零膨胀”模型。本文研究使用提升算法处理保险索赔数据（包括零膨胀车联网数据）以构建索赔频率模型。评估并比较了三种流行的梯度提升库——XGBoost、LightGBM与CatBoost，以确定训练保险索赔数据并拟合精算频率模型的最合适库。通过对两个不同数据集的综合分析，确定CatBoost基于预测性能在开发汽车索赔频率模型方面最佳。此外，我们提出一种新的零膨胀泊松提升树模型，其对膨胀概率与分布均值之间关系的假设有所变化，并发现其依据数据特征优于其他模型。该模型使我们能利用特定CatBoost工具，从而在使用车联网数据时更轻松便捷地研究各种风险特征对频率模型的影响与交互。
引用
@article{arxiv.2307.07771,
title = {Enhanced Gradient Boosting for Zero-Inflated Insurance Claims and Comparative Analysis of CatBoost, XGBoost, and LightGBM},
author = {Banghee So},
journal= {arXiv preprint arXiv:2307.07771},
year = {2024}
}
备注
26pages, 6tables, 7figures