Model Comparison and Calibration Assessment: User Guide for Consistent Scoring Functions in Machine Learning and Actuarial Practice

要約

保険計理士やデータサイエンティストの主なタスクの 1 つは、保険金請求の規模や請求件数など、特定の現象に対する適切な予測モデルを構築することです。
これらのモデルは、与えられた特徴情報を理想的に活用して、予測の精度を高めます。
このユーザー ガイドでは、一方ではモデルの校正や妥当性を評価し、他方では異なるモデルを比較してランク付けするための統計手法を再検討して明確にします。
そうすることで、事前に予測ターゲット関数 (平均値や分位値など) を指定することと、このターゲット関数に沿ってモデル比較でスコアリング関数を選択することの重要性が強調されます。
スコアリング関数の実際的な選択に関するガイダンスが提供されます。
科学と応用における日常実践との間のギャップを埋めるよう努めており、主に既存の結果とベストプラクティスの教育学的プレゼンテーションに焦点を当てています。
この結果は、労災補償と顧客離れに関する 2 つの実際のデータ ケース スタディを伴って説明されています。

要約(オリジナル)

One of the main tasks of actuaries and data scientists is to build good predictive models for certain phenomena such as the claim size or the number of claims in insurance. These models ideally exploit given feature information to enhance the accuracy of prediction. This user guide revisits and clarifies statistical techniques to assess the calibration or adequacy of a model on the one hand, and to compare and rank different models on the other hand. In doing so, it emphasises the importance of specifying the prediction target functional at hand a priori (e.g. the mean or a quantile) and of choosing the scoring function in model comparison in line with this target functional. Guidance for the practical choice of the scoring function is provided. Striving to bridge the gap between science and daily practice in application, it focuses mainly on the pedagogical presentation of existing results and of best practice. The results are accompanied and illustrated by two real data case studies on workers’ compensation and customer churn.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google