Análisis Comparativo de Modelos de Machine Learning Y GLM de Procesos de Tarificación de Seguros de Automóviles
Year: 2022
Type: dissertation
Abstract: En el presente trabajo se compara cuantitativa y cualitativamente el desempeño y los \nprocesos metodológicos asociados a la predicción de la frecuencia y severidad para un caso \nparticular en el ramo de automóviles, aplicando tanto técnicas clásicas como GLMs y \nalgunas de sus variaciones como de Machine Learning, con el fin de evaluar sus \npotencialidades, ofreciendo mayor variedad en las herramientas usuales para este tipo de \nprocesos, buscando detectar relaciones e interacciones no lineales en los predictores para \ndisminuir escenarios de selección adversa en los modelos de tarificación. Se utilizó el \nmarco metodológico CRISP-DM como guía para las etapas y procesos en el contexto \nanalítico. Así mismo, se utilizó el software R y el paquete “caret” para desarrollar los \ndiferentes modelos, buscando garantizar criterios adecuados de comparabilidad en la \nselección de los subconjuntos de validación cruzada. Finalmente, al comunicar los \nresultados de los modelos, las métricas de desempeño y los lift-charts asociados a cada uno \nde ellos, se concluye que al comparar las métricas de desempeño para el caso particular del \ndataset utilizado (“dataCar” de la librería “insuranceData” del software R) no existe ventaja \ncuantitativa considerable entre los dos enfoques (GLMs vs ML). Sin embargo, a través del \nanálisis gráfico (Lift-charts) se aprecian diferencias en la capacidad de los modelos para \ndetectar selección adversa, por lo que se concluye que las dos metodologías son \ncomplementarias pues ofrecen ventajas diferentes desde el punto de vista procedimental.
Author: Castro Acosta, Wilhem Eisbey
Language: Spanish
Subfield: Statistics and Probability
Field: Mathematics
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7054713092