Porovnanie stratégií trénovania modelu XGboost: Train-test split a k-fold cross validácia
Spoľahlivé modelovanie je kľúčovým prvkom riadenia rizík v poisťovniach, a to najmä v kontexte plnenia regulačných rámcov, ako je Solvency II. V aktuárskej praxi sa čoraz častejšie využívajú moderné metódy strojového učenia, ktoré dokážu zachytiť komplexné vzťahy medzi rizikovými faktormi a finančný...
Uložené v:
| Hlavný autor: | |
|---|---|
| Ďalší autori: | |
| Médium: | Kapitola |
| Jazyk: | Slovak |
| Predmet: | |
| Tagy: |
Žiadne tagy, Buďte prvý, kto otaguje tento záznam!
|
Podobné jednotky: Porovnanie stratégií trénovania modelu XGboost: Train-test split a k-fold cross validácia
- Globálne hodnotenie významnosti premenných v modeli XGBoost
- Porovnanie klasickej analýzy významnosti premenných a interpretácie pomocou SHAP pri modeli XGboost
- Fuzzy logika v predspracovaní údajov a jej vplyv na výkonnosť modelu strojového učenia XGBOOST
- Finančná bublina a explozívny proces
- Model Transparency: Integrating XGBoost with SHAP for Explainable Machine Learning
- On likelihood ratio tests for threshold autoregression.