03598ntm a22005057i 4500 000716619 CZ-PrVSE 20240824093620.0 m d cr n|||||||||| 240824s2024 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Vít, Ondřej ISIS:149318 dis Generalized Linear Model Using Neural Networks for Predicting the Number of Claim Events eng Zobecněný lineární model s využitím neuronových sítí pro predikci počtu škodních událostí / Ondřej Vít 2024 ?? stran : digital, PDF soubor Vedoucí práce: Lubomír Štěpánek Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2024 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2024 Škodní frekvence je spolu s výší škody důležitou součástí odhadu rizika v oboru pojišťovnictví. Na vhodných datech si klademe za cíl porovnat tradiční statistické metody, zejména zobecněné lineární modely, a metody založené na strojovém učení, především na neuronových sítích, a to v kontextu predikce počtu pojistných událostí na povinném ručení. Oba zmíněné způsoby byly aplikovány na reálná data podobná českému trhu s povinným ručením, což umožňuje odhadnout predikční schopnosti obou metod celkově i v jednotlivých rizikových segmentech a porovnat jejich výhody. Zatímco tradiční přístupy nabízejí osvědčené modely s dobrou interpretovatelností, moderní techniky přinášejí pokročilé možnosti modelování komplexních vzorců v datech. Na kategorizovaných datech pro zobecněné lineární modely se dostatečně neprojevily výhody statistického učení, které naopak častěji chybovalo na méně zastoupených segmentech. Výhodou neuronových sítí je práce s kategoriálními proměnnými nabývajícími mnoha možných hodnot, které lze rychle shlukovat a vizualizovat pomocí vložených vrstev. Primárně lze vidět budoucnost predikcí rizika v pojišťovnictví zejména v užívání hybridních modelů, které snoubí důležitou interpretovatelnost a s ní spojenou expertní škálovatelnost zobecněných lineárních modelů s identifikací komplikovanějších závislostí, které lze vhodně odhalit využitím neuronových sítí. Způsob přístupu: Internet statistika [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas škodní frekvence zobecněný lineární model statistické učení neuronová síť Štěpánek, Lubomír ISIS:120809 ths Habarta, Filip ISIS:99500 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/87087/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/87087 Hlavní práce https://insis.vse.cz/zp/87087/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/87087/posudek/oponent/84058 Oponentura https://insis.vse.cz/zp/87087/podrobnosti dc:identifier NEPOSILAT VSKP vse87087 240820 87087