Machine Learning y Explicabilidad para la detección de fraude en Seguros
Oscar Legat
Bsc Maths & Statistics | Data Science | A/B & Bandit Testing | Insurance | Motor Pricing | Optimization Maths | CyberSec
No cabe duda que la detección del fraude es uno de los temas que más preocupan a las aseguradoras, y cuya prevención proporciona más retorno a las mismas. Buscando acerca de este problema aplicado a los seguros y como realizarlo con algoritmos de ML, me he encontrado con una joya de investigación de la Université d'Orléans cuyos autores son Denisa BĂNULESCU-RADU y Meryem Yankol Schalck. Para su investigación han usado datos reales de entre 2013 y 2017 de una aseguradora francesa. El artículo compara XGBOOST, LASSO y RANDOM FOREST. Conocedoras de que la explicabilidad de las predicciones con estos modelos de ML es uno de los grandes caballos de batalla exponen usos concretos de ingeniería de variables, y proporcionan también salidas concretas de explicabilidad con SHAP.
La dirección del artículo: