An Interpretable Deep Learning Model for General Insurance Pricing
Patrick J. Laub, Tu Pho, Bernard Wong
本文介绍了精算神经添加剂模型,这是一种用于一般保险定价的固有可解释的深度学习模型,可提供完全透明和可解释的结果,同时保留了神经网络的强大预测能力。 该模型为每个单独的协方变量和成对交互项分配一个专用神经网络(或子网络),以独立学习其对建模输出的影响,同时实施各种架构约束,以便在保险应用中实现基本的可解释性(例如易感性)和实际要求(例如平滑度,单调性)。 我们模型的发展基于坚实的基础,我们在保险环境中建立了可解释性的具体定义,并辅之以严格的数学框架。 在预测准确性方面的比较是用传统的精算和最先进的机器学习方法使用合成和真实的保险数据集进行的。 结果表明,建议的模型在大多数情况下优于其他方法,同时在其内部逻辑中提供了完全的透明度,强调了强大的可解释性和预测能力。
This paper introduces the Actuarial Neural Additive Model, an inherently interpretable deep learning model for general insurance pricing that offers fully transparent and interpretable results while retaining the strong predictive power of neural networks. This model assigns a dedicated neural network (or subnetwork) to each individual covariate and pairwise interaction term to independently learn its impact on the modeled output while implementing various architectural constraints to allow for ...
