【介绍】
本文的原文标题：Proposing a Novel Data-Driven Optimization Methodology to Calculate the Insurance Premium in the Iranian Health Insurance Industry
期刊名称：Emerging Markets Finance and Trade
作者：Mohammad Alipour-Vaezi, Kamran Rezaie, and Reza Tavakkoli-Moghaddam
文章目录
3. 专家数据标注（Data Labeling by Experts）
4. 被保险人分类（Insureds Classification）
5. 决定最好的机器学习算法（Determining the Best ML Algorithm）
二、 数据和初步分析（Data and Preliminary Analyses）
前言
为了避免学习ML的枯燥，采取看论文的方式逐步学习ML。这篇论文的最终目的是计算保费。下面是这篇论文的摘要部分：
本研究旨在管理两种最常见的和关键的伊朗健康保险赔付问题(市场份额下降和错误预测赔偿)提出了一种新颖的数据驱动的方法计算保险费。这里,使用最优机器学习算法选择使用贝叶斯best-worst方法（BBWA）,保险公司根据被保险人的风险等级进行分组。然后,保险人事先估计每组的赔偿金额。最后,为每组单独计算合适的保险保费。本文提出使用一种新的数学优化模型计算保费。我们的现实生活中的案例研究的结果，本文的算法保证保险公司的盈利能力和减少破产风险甚至降低保费。
提示：以下是本篇文章正文内容
一、基本框架概述
1. 数据收集和抽样方法
数据集：医院患者数据
抽样方法：随机抽样（Random sampling method）
2. 数据预处理（Data Pre-Processing）
- 删除/修改缺失或不完整的数据 Delete/modify missing or incomplete data
- 离散和连续数据的数据标准化 Data normalization of both discrete and continuous data
- 将定性数据转化为定量数据 Transform qualitative data into quantitative
- 数据平衡 Balancing data
- 提取重要特征 Extract important features
3. 专家数据标注（Data Labeling by Experts）
一群专家对病人的数据集进行风险等级判定： 非常高风险、高风险、中等风险和低风险
4. 被保险人分类（Insureds Classification）
使用分类算法（classification algorithms），用于预测没给被保险人属于哪一类风险等级。在选择使用哪种机器学习算法时，需要从众多ML算法中进行选择。
5. 决定最好的机器学习算法（Determining the Best ML Algorithm）
选择方式：MADM (Multiple Attribute Decision Making)
A new MADM method : “the Bayesian best-worst method (BBWM)” 用于确定各个指标的权重
以下是对这些机器学习算法和技术的逐个解释：
1. Random Forest (RF): 随机森林是一种集成学习算法，通过组合多个决策树来进行分类和回归。它使用随机选择的子样本和特征子集来构建不同的决策树，并通过投票或平均预测结果来得出最终的预测。
2. Extra Trees (ET): 极端随机树是一种改进的随机森林算法。与随机森林不同，极端随机树在每个节点上使用了更多的随机性，通过随机分割选择最佳特征，从而加快了训练速度，但可能牺牲一些准确性。
3. Gradient Boosting (GB): 梯度提升是一种集成学习算法，通过顺序地训练多个弱模型，每个模型都试图纠正前一个模型的错误，最终组合成一个强大的模型。梯度提升使用梯度下降来最小化损失函数，以逐步优化预测结果。
4. XG Boost (XGB): XGBoost是一种基于梯度提升框架的增强学习算法。它通过使用正则化技术和优化算法来改进传统梯度提升算法，从而提高了性能和准确性。XGBoost在许多机器学习竞赛和实际问题中表现出色。
5. Light Gradient Boosting (LGB): LightGBM是一种基于梯度提升框架的快速、高效的增强学习算法。它使用基于直方图的决策树算法，在保持准确性的同时，显著提高了训练速度和内存效率。
6. Cat Boost (CB): CatBoost是一种基于梯度提升框架的开源机器学习库。它专门用于处理类别特征，具有自适应学习率、对缺失值的处理和其他优化技术，以提高模型性能。
7. Voting Ensemble (VE): 投票集成是一种集成学习方法，通过组合多个不同的基本模型的预测结果进行最终的决策。通过投票（分类问题）或平均（回归问题），投票集成可以利用不同模型的优势，提高整体预测性能。
8. Decision Tree (DT): 决策树是一种基本的分类和回归算法。它使用树状结构来进行决策，并根据特征的值对数据进行分割。决策树通过判断特征的不纯性或信息增益来选择最佳的分割点，从而逐步构建预测模型。
9. Support Vector Machine (SVM): 支持向量机是一种二分类和回归算法。它将数据映射到高维空间中，找到一个最优超平面（决策边界），以最大化类别之间的间隔。SVM可以处理线性和非线性问题，并具有在高维空间中有效学习的优势。
10. Logistic Regression (LR): 逻辑回归是一种用于二分类问题的统计学习算法。它通过拟合逻辑函数来估计概率，并根据概率进行分类。逻辑回归可以用于预测离散的输出变量，并通过最大似然估计来优化模型参数。
11. K-Nearest Neighbors (KNN): K最近邻是一种基本的分类和回归算法。对于待预测样本，KNN根据其最近邻的标签或数值来进行分类或回归。KNN使用距离度量来确定最近邻，并根据最邻近样本的多数投票来进行决策。
Process of deterring the optimal ML algorithm
评分计算公式：
6 赔偿预测
根据MADM选择的ML方法进行预测，计算赔付期望。
7 计算保费
利润 = 保费×人数 - 期望赔付×期望赔付人数
利润最大化公式，以及一系列约束条件，由此计算保费
二、 数据和初步分析（Data and Preliminary Analyses）
第一，评估各个指标的大小。Accuracy，Precision，Recall，F1-score，MCC。
第二，计算权重（MADM）。
第三，计算Wa，给ML算法排序，得出随机森林（RF）是最好的ML方式。
三、敏感性分析（Sensitivity Analysis）
这部分主要展开了敏感性分析，敏感性分析是一种用来评估模型对不同参数变化的敏感程度的方法。
具体改变的参数有：
- 每种风险等级的被保险人数量
- 被赔偿的被保险人数量的期望
- 保险公司上一年度的保费
- 保险公司竞争对手的平均保费
通过改变参数，观察保险公司保费和盈利水平的变化。
例如下图：
总结
这篇文章的结论是，该文章提出了一种新的数据驱动的优化方法来计算伊朗医疗保险行业的保险费率。通过使用机器学习算法和专家意见对被保险人进行分类，并预测他们对保险公司的风险水平，该方法旨在管理保险业中最常见和最关键的两种干扰：降低保险公司的市场份额和预测赔偿错误。该方法通过以德黑兰的一家医院收集适当的数据集并使用数据预处理步骤来提供准确可靠的结果。此外，该方法还使用了MADM方法，即贝叶斯最优最差法，来确定预测被保险人风险水平的最佳机器学习算法。最后，该方法确定了被保险人的保费，该保费低于现有的保险费率模型，同时避免了保险业中最常见和最关键的。该方法可以用于任何非寿险保险公司，并且对于可能难以获得额外财务资源的较小保险公司有益。
文章还给出了以下建议：
-
将被保险人基于他们的风险水平分类，可以管理保险业中的两种常见和关键的问题：保险公司的市场份额变低和错误预测赔偿。
-
根据模型结果，建议保险公司决策者关注高风险被保险人，并考虑采取激励和广告方案吸引更多这类被保险人。
-
对于风险规避的保险公司决策者来说，他们可以通过专注于低风险被保险人来最小化破产风险。
总的来说，该研究建议使用这种新的数据驱动的优化方法来计算保险费率，并根据被保险人的准备水平和风险水平进行分类，以管理保险业中的赔付支出，并提供了针对不同风险因素的具体建议。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
