پیش بینی حق بیمه با استفاده از یادگیری ماشین با رویکرد تطبیقی

بازار بیمه بسیار وسیع و روز به روز در حال گسترش است. برای تعیین حق بیمه بیمه، عوامل زیادی باید مورد توجه قرار گیرند. گاهی اوقات مرور تمام اسناد قبل از درخواست بیمه دشوار می شود، بنابراین ضروری است که با صنعت بیمه آشنا شویم و مسائل مربوط به رقابت در این صنعت را شناسایی کنیم. این نوع شرکت ها به پیش بینی بسیار علاقه مند هستند. هدف این مقاله یافتن پیش بینی های دقیق با در نظر گرفتن ابعاد مختلف یادگیری ماشین برای کاهش زیان های مالی شرکت است. یادگیری ماشین به شرکت ها کمک می کند تا خدمات خود را با دقت بیشتر و زبان کمتر بهینه سازی کنند. همچنین می تواند به شرکت های بیمه کمک کند تا به طور موثری موارد را غربال کنند، آن ها را دقیقتر ارزیابی کنند و پیش بینی های هزینه ای دقیقی ارائه دهند. این تحقیق از روش های مبتنی بر یادگیری ماشین مانند رگرسیون خطی، KStar و جنگل تصادفی استفاده می کند و روشی مناسب برای تولید نتایج با دقت بالا و خطای نسبی کمتر پیشنهاد می دهد. علاوه بر این، نشان می دهد که چگونه می توان یک زیرمجموعه داده خاص ایجاد کرد که بتوان از آن برای آزمایش و آموزش سیستم های یادگیری ماشین استفاده کرد. اثر بخشی استراتژی پیشنهادی با مقایسه مقدار برآورد شده با مقدار واقعی داده های شبیه سازی شده ارزیابی می شود. شرکت های بیمه قادر به ساخت ساختارهای مالی منسجم، مانند حق بیمه های ماهانه یا مالیات های بر دستمزد، برای تامین بودجه جهت پرداخت به توافقات مزایای پزشکی که در بیمه نامه ها تعریف شده اند، با محاسبه کل ریسک هزینه های مرتبط با مراقبت های بهداشتی و سیستم پزشکیهستند.