Conformal prediction for frequency-severity modeling

要約

我々は、有限サンプル統計的保証を備えた、保険金請求の予測区間を構築するためのモデルに依存しないフレームワークを提案し、分割等角予測の手法を 2 段階の周波数重大度モデリングの領域に拡張します。
フレームワークの有効性は、古典的なパラメトリック モデルと現代の機械学習手法を使用してシミュレートされた実際のデータセットで示されます。
基礎となる重大度モデルがランダム フォレストである場合、2 段階の分割等角予測アルゴリズムを拡張し、アウトオブバッグ メカニズムを利用して等角手順でのキャリブレーション セットの必要性を排除する方法を示します。

要約(オリジナル)

We present a model-agnostic framework for the construction of prediction intervals of insurance claims, with finite sample statistical guarantees, extending the technique of split conformal prediction to the domain of two-stage frequency-severity modeling. The framework effectiveness is showcased with simulated and real datasets using classical parametric models and contemporary machine learning methods. When the underlying severity model is a random forest, we extend the two-stage split conformal prediction algorithm, showing how the out-of-bag mechanism can be leveraged to eliminate the need for a calibration set in the conformal procedure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google