앙상블을 이용한 기계학습 기법의 설계: 보험가입자의 심사평가 예측을 통한 실험적 검증
Ensemble Design of Machine Learning Techniques: Experimental Validation by Prediction of Insurance Underwriting
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
효율적인 일처리에 대한 필요성과 비대면 업무의 증가로 AI 서비스 도입은 빠르게 증가하고 있으며, 보험업계에서도 다양한 분야에 적용되고 있다. 보험금 부당청구 탐지와 보험 지급 심사, 보험 인수 등의 분야에 인공지능 기술이 도입된 사례와 연구가 점차 늘어나고 있다. 본 연구에서는 보험가입자의 위험등급을 예측하는 모델과 신규 가입자의 보험계약 심사평가 모델을 개발하였다. 인공지능 기술을 활용한 언더라이팅 모델 개발을 위해 Kaggle의 Prudential Life Insurance 데이터를 사용하였고, 주요 변수 선별 방법으로 Regularized Random Forest의 mean decrease gini를 사용하였다. 위험등급 예측 및 보험계약 심사평가 모델을 위해 다양한 분류 알고리즘을 적용하여 모델을 학습하였고, Ensemble Voting 방법으로 성능 좋은 모델들의 각각에 대한 결과를 투표로 최종 예측 결과를 안정적으로 도출할 수 있도록 하였다.
Abstract
With the need for efficient work processing and the increase in non-face-to-face work, the introduction of AI services is rapidly increasing, and it is being applied to various fields in the insurance industry as well. Cases and studies in which artificial intelligence technology has been introduced are gradually increasing in the fields of detecting unfair claims for insurance claims, reviewing insurance payments, and underwriting insurance. In this study, a model for predicting the risk class of insurance policyholders and an insurance underwriting and evaluation model for new subscribers were developed. To develop an underwriting model using artificial intelligence technology, Kaggle's Prudential Life Insurance data was used, and the mean decrease gini of Regularized Random Forest was used as the main variable selection method. The model was trained by applying various classification algorithms for risk rating prediction and insurance contract review and evaluation model, and the final prediction result can be stably derived by voting on the results of each of the models with good performance using the ensemble voting method.
참고문헌 (14)
- R. Balasubramanian, "Insurance 2030—The impact of AI on the future of insurance", McKinsey Article, ~ (2021)
- N. Boodhun, "Risk prediction in life insurance industry using supervised learning alg orithms", Complex & Intelligent Systems, 4(2), pp.145~154 (2018)
- 김재현, "한국 금융산업의 2030 비전과 과제: 보험산업 - 코로나 위기 이후 금융의 디지털화를중심으로 -", KIF연구총서, 2021(1), pp.1~285 (2021)
- 이용구, "불균형 데이터의 언더라이팅 스코어링 모형 연구: 생명보험사 사례를 중심으로", Journal of The Korean Data Analysis Society, 12(6), pp.3231~3245 (2010), 한국자료분석학회
- 정재욱, "생명보험 언더라이팅 시 개인신용정보의 활용 효과 분석", 금융연구, 25(1), pp.25~56 (2011), 한국금융학회
- S. V. Kumar, "Risk segmentation of insurance data using machine learning", RISK, 7(19) (2020)
- R. Jain, "Assessing risk in life insurance using ensemble learning", Journal of Intelligent & Fuzzy Systems, 37(2), pp.2969~2980 (2019)
- T. Kohonen, "The Self-Organizing Map", Proceeding s of the IEEE, 78(9), pp.1464~1480 (1990)
- J. Wendel, "Formalizing Guidelin es for Building Meaningful Self-Organizing Maps", GIScience Short Paper Proceedings (2010)
- J. Tian, "Anomaly detection using self-organizing maps-based k-nearest neighbor algorithm", PHM Society European Conference, 2(1) (2014)
- D. P. Kingma, "Adam: A method for stochastic optimization", ~ (2014)
- H. Deng, "Feature selection via regularized trees", The 2012 International Joint Conference on Neural Networks (IJCNN), 1(8) (2012), IEEE
- H. Deng, "Guided Random Forest in the RRF Package", ~ (2013)
- T. G. Dietterich, "Ensemble methods in machine learning", International workshop on multiple classifier systems, pp.1~15 (2000), Springer