Aplicação de Machine Learning em seguros de autos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFRN |
Texto Completo: | https://repositorio.ufrn.br/handle/123456789/44577 |
Resumo: | O presente trabalho tem por objetivo precificar o valor do prêmio de seguro de uma associação de proteção veicular utilizando a abordagem de Machine Learning através dos algoritmos de Random Forest, Bootstrap aggregating com a aplicação da regressão por Random Forest. As principais métricas de avaliação dos resultados da aplicação da regressão por Random Forest foram o RSME, MAE e análises gráficas, também foram empregadas as técnicas de transformação dos dados e Análises de Componentes Principais, PCA. Duas variáveis respostas foram utilizadas para dois modelos diferentes, a primeira foi a variável referente a ocorrência de sinistros, que resulta na importância média das variáveis preditoras quanto a frequência de sinistros e a segunda foi variável referente a indenização dos sinistros, seu resultado trás importância média das variáveis preditoras quanto a severidade dos sinistros. O método de precificação da sinistralidade esperada foi utilizado para obtenção do valor do prêmio de risco coletivo e para o prêmio puro coletivo, o prêmio puro coletivo foi utilizado como parâmetro para o cálculo do prêmio puro individual anual, foi calculado o prêmio individual anual para cada risco a partir da importância das variáveis de risco obtidas pelo método de regressão por Random Forest e de posse desses valores, calculamos o prêmio individual anual para perfis diferentes com o mesmo valor da importância segurada, assim, foi possível fazer uma avaliação do método aplicado. |
id |
UFRN_2c1f0746d8c616d9a66fb2c48e75b0eb |
---|---|
oai_identifier_str |
oai:https://repositorio.ufrn.br:123456789/44577 |
network_acronym_str |
UFRN |
network_name_str |
Repositório Institucional da UFRN |
repository_id_str |
|
spelling |
Farias, Tadeu Amorim0000-0003-0365-0116http://lattes.cnpq.br/94362440945164650000-0003-1021-1787http://lattes.cnpq.br/9522344427259741Nunes, Marcus Alexandre0000-0002-9956-4644http://lattes.cnpq.br/2698100541879707Freire, Flávio Henrique Miranda de Araújo0000-0002-7416-9947http://lattes.cnpq.br/7623751650258443Jesus, Jordana Cristina de2021-10-15T11:42:58Z2021-10-15T11:42:58Z2021-09-10FARIAS, Tadeu Amorim. Aplicação de Machine Learning em seguros de autos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Ciências Atuariais) - Departamento de Demografia e Ciências Atuariais, Universidade Federal do Rio Grande do Norte, Natal, 2021.https://repositorio.ufrn.br/handle/123456789/44577O presente trabalho tem por objetivo precificar o valor do prêmio de seguro de uma associação de proteção veicular utilizando a abordagem de Machine Learning através dos algoritmos de Random Forest, Bootstrap aggregating com a aplicação da regressão por Random Forest. As principais métricas de avaliação dos resultados da aplicação da regressão por Random Forest foram o RSME, MAE e análises gráficas, também foram empregadas as técnicas de transformação dos dados e Análises de Componentes Principais, PCA. Duas variáveis respostas foram utilizadas para dois modelos diferentes, a primeira foi a variável referente a ocorrência de sinistros, que resulta na importância média das variáveis preditoras quanto a frequência de sinistros e a segunda foi variável referente a indenização dos sinistros, seu resultado trás importância média das variáveis preditoras quanto a severidade dos sinistros. O método de precificação da sinistralidade esperada foi utilizado para obtenção do valor do prêmio de risco coletivo e para o prêmio puro coletivo, o prêmio puro coletivo foi utilizado como parâmetro para o cálculo do prêmio puro individual anual, foi calculado o prêmio individual anual para cada risco a partir da importância das variáveis de risco obtidas pelo método de regressão por Random Forest e de posse desses valores, calculamos o prêmio individual anual para perfis diferentes com o mesmo valor da importância segurada, assim, foi possível fazer uma avaliação do método aplicado.The present work aims to price the insurance premium value of a vehicle protection association using the Machine Learning approach through the Random Forest algorithms, Bootstrap aggregating with the application of the Random Forest regression. The main metrics for evaluating the results of the application of regression by Random Forest were RSME, MAE and graphical analysis, data transformation techniques and Principal Component Analysis, PCA were also used. Two response variables were used for two different models, the first was the variable referring to the occurrence of claims, which results in the average importance of the predictor variables regarding the frequency of claims and the second was the variable referring to the indemnity of claims, its result showing average importance predictor variables as to the severity of claims. The expected loss ratio pricing method was used to obtain the value of the collective risk premium and for the collective pure premium, the collective pure premium was used as a parameter to calculate the annual individual pure premium, the annual individual premium was calculated for each risk from the importance of the risk variables obtained by the Random Forest regression method and having these values, we calculated the individual annual premium for different profiles with the same value of the insured amount, thus, it was possible to make an evaluation of the applied method.Universidade Federal do Rio Grande do NorteCiências AtuáriaisUFRNBrasilDemografia e Ciências AtuariaisRiscoPrêmioSinistrosMachine LearningRandom ForestRiskPrizeClaimsAplicação de Machine Learning em seguros de autosMachine Learning application in auto insuranceinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNinfo:eu-repo/semantics/openAccessORIGINALAplicacaoMachineLearning_Farias_2021.pdfAplicacaoMachineLearning_Farias_2021.pdfMONOGRAFIA TADEU AMORIM FARIASapplication/pdf1823503https://repositorio.ufrn.br/bitstream/123456789/44577/1/AplicacaoMachineLearning_Farias_2021.pdf02b171857da7fbf647492572d75e6924MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8701https://repositorio.ufrn.br/bitstream/123456789/44577/2/license_rdf42fd4ad1e89814f5e4a476b409eb708cMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81484https://repositorio.ufrn.br/bitstream/123456789/44577/3/license.txte9597aa2854d128fd968be5edc8a28d9MD53123456789/445772023-01-09 15:04:01.496oai:https://repositorio.ufrn.br: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Repositório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2023-01-09T18:04:01Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de Machine Learning em seguros de autos |
dc.title.alternative.pt_BR.fl_str_mv |
Machine Learning application in auto insurance |
title |
Aplicação de Machine Learning em seguros de autos |
spellingShingle |
Aplicação de Machine Learning em seguros de autos Farias, Tadeu Amorim Risco Prêmio Sinistros Machine Learning Random Forest Risk Prize Claims |
title_short |
Aplicação de Machine Learning em seguros de autos |
title_full |
Aplicação de Machine Learning em seguros de autos |
title_fullStr |
Aplicação de Machine Learning em seguros de autos |
title_full_unstemmed |
Aplicação de Machine Learning em seguros de autos |
title_sort |
Aplicação de Machine Learning em seguros de autos |
author |
Farias, Tadeu Amorim |
author_facet |
Farias, Tadeu Amorim |
author_role |
author |
dc.contributor.authorID.pt_BR.fl_str_mv |
0000-0003-0365-0116 |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9436244094516465 |
dc.contributor.advisorID.pt_BR.fl_str_mv |
0000-0003-1021-1787 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9522344427259741 |
dc.contributor.referees1.none.fl_str_mv |
Freire, Flávio Henrique Miranda de Araújo |
dc.contributor.referees1ID.pt_BR.fl_str_mv |
0000-0002-7416-9947 |
dc.contributor.referees1Lattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/7623751650258443 |
dc.contributor.author.fl_str_mv |
Farias, Tadeu Amorim |
dc.contributor.advisor-co1.fl_str_mv |
Nunes, Marcus Alexandre |
dc.contributor.advisor-co1ID.fl_str_mv |
0000-0002-9956-4644 |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/2698100541879707 |
dc.contributor.advisor1.fl_str_mv |
Jesus, Jordana Cristina de |
contributor_str_mv |
Nunes, Marcus Alexandre Jesus, Jordana Cristina de |
dc.subject.por.fl_str_mv |
Risco Prêmio Sinistros Machine Learning Random Forest Risk Prize Claims |
topic |
Risco Prêmio Sinistros Machine Learning Random Forest Risk Prize Claims |
description |
O presente trabalho tem por objetivo precificar o valor do prêmio de seguro de uma associação de proteção veicular utilizando a abordagem de Machine Learning através dos algoritmos de Random Forest, Bootstrap aggregating com a aplicação da regressão por Random Forest. As principais métricas de avaliação dos resultados da aplicação da regressão por Random Forest foram o RSME, MAE e análises gráficas, também foram empregadas as técnicas de transformação dos dados e Análises de Componentes Principais, PCA. Duas variáveis respostas foram utilizadas para dois modelos diferentes, a primeira foi a variável referente a ocorrência de sinistros, que resulta na importância média das variáveis preditoras quanto a frequência de sinistros e a segunda foi variável referente a indenização dos sinistros, seu resultado trás importância média das variáveis preditoras quanto a severidade dos sinistros. O método de precificação da sinistralidade esperada foi utilizado para obtenção do valor do prêmio de risco coletivo e para o prêmio puro coletivo, o prêmio puro coletivo foi utilizado como parâmetro para o cálculo do prêmio puro individual anual, foi calculado o prêmio individual anual para cada risco a partir da importância das variáveis de risco obtidas pelo método de regressão por Random Forest e de posse desses valores, calculamos o prêmio individual anual para perfis diferentes com o mesmo valor da importância segurada, assim, foi possível fazer uma avaliação do método aplicado. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-10-15T11:42:58Z |
dc.date.available.fl_str_mv |
2021-10-15T11:42:58Z |
dc.date.issued.fl_str_mv |
2021-09-10 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
FARIAS, Tadeu Amorim. Aplicação de Machine Learning em seguros de autos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Ciências Atuariais) - Departamento de Demografia e Ciências Atuariais, Universidade Federal do Rio Grande do Norte, Natal, 2021. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufrn.br/handle/123456789/44577 |
identifier_str_mv |
FARIAS, Tadeu Amorim. Aplicação de Machine Learning em seguros de autos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Ciências Atuariais) - Departamento de Demografia e Ciências Atuariais, Universidade Federal do Rio Grande do Norte, Natal, 2021. |
url |
https://repositorio.ufrn.br/handle/123456789/44577 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.publisher.program.fl_str_mv |
Ciências Atuáriais |
dc.publisher.initials.fl_str_mv |
UFRN |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Demografia e Ciências Atuariais |
publisher.none.fl_str_mv |
Universidade Federal do Rio Grande do Norte |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRN instname:Universidade Federal do Rio Grande do Norte (UFRN) instacron:UFRN |
instname_str |
Universidade Federal do Rio Grande do Norte (UFRN) |
instacron_str |
UFRN |
institution |
UFRN |
reponame_str |
Repositório Institucional da UFRN |
collection |
Repositório Institucional da UFRN |
bitstream.url.fl_str_mv |
https://repositorio.ufrn.br/bitstream/123456789/44577/1/AplicacaoMachineLearning_Farias_2021.pdf https://repositorio.ufrn.br/bitstream/123456789/44577/2/license_rdf https://repositorio.ufrn.br/bitstream/123456789/44577/3/license.txt |
bitstream.checksum.fl_str_mv |
02b171857da7fbf647492572d75e6924 42fd4ad1e89814f5e4a476b409eb708c e9597aa2854d128fd968be5edc8a28d9 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN) |
repository.mail.fl_str_mv |
|
_version_ |
1802117750059958272 |