ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Effective Statistical Learning Methods for Actuaries II: Tree-Based Methods and Extensions

دانلود کتاب روشهای آماری آماری موثر برای Actuaries II: روشهای مبتنی بر درخت و پسوندها

Effective Statistical Learning Methods for Actuaries II: Tree-Based Methods and Extensions

مشخصات کتاب

Effective Statistical Learning Methods for Actuaries II: Tree-Based Methods and Extensions

دسته بندی: ریاضیات
ویرایش:  
نویسندگان: , ,   
سری: Springer Actuarial 
ISBN (شابک) : 3030575551, 9783030575557 
ناشر: Springer 
سال نشر: 2021 
تعداد صفحات: 235 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت 

قیمت کتاب (تومان) : 57,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 25


در صورت تبدیل فایل کتاب Effective Statistical Learning Methods for Actuaries II: Tree-Based Methods and Extensions به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب روشهای آماری آماری موثر برای Actuaries II: روشهای مبتنی بر درخت و پسوندها نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب روشهای آماری آماری موثر برای Actuaries II: روشهای مبتنی بر درخت و پسوندها



این کتاب وضعیت هنر را در روش‌های مبتنی بر درخت برای بیمه خلاصه می‌کند: درختان رگرسیون، جنگل‌های تصادفی و روش‌های تقویت. همچنین ابزارهایی را نشان می‌دهد که ارزیابی عملکرد پیش‌بینی مدل‌های مبتنی بر درخت را ممکن می‌سازد. اکچوئرها به این ابزارهای تحلیلی پیشرفته نیاز دارند تا مجموعه داده های عظیمی را که اکنون در اختیار دارند به فرصت تبدیل کنند.

این نمایشگاه به طور متناوب بین جنبه های روش شناختی و تصاویر عددی یا مطالعات موردی تغییر می کند. تمامی تصاویر عددی با نرم افزار آماری R انجام شده است. پیش نیازهای فنی برای دستیابی به خوانندگان گسترده در سطح معقولی نگهداری می شوند. به ویژه، دانشجویان کارشناسی ارشد در علوم اکچوئری و اکچوئری هایی که مایل به به روز رسانی مهارت های خود در یادگیری ماشین هستند، این کتاب را مفید خواهند یافت.

این دومین جلد از سه جلد با عنوان روش های یادگیری آماری موثر برای اکچوئرها

است. من>. این مجموعه که توسط اکچوئرها برای اکچوئرها نوشته شده است، یک مرور کلی از تجزیه و تحلیل داده های بیمه با برنامه های کاربردی برای P&C، بیمه عمر و سلامت ارائه می دهد.



توضیحاتی درمورد کتاب به خارجی

This book summarizes the state of the art in tree-based methods for insurance: regression trees, random forests and boosting methods. It also exhibits the tools which make it possible to assess the predictive performance of tree-based models. Actuaries need these advanced analytical tools to turn the massive data sets now at their disposal into opportunities.

The exposition alternates between methodological aspects and numerical illustrations or case studies. All numerical illustrations are performed with the R statistical software. The technical prerequisites are kept at a reasonable level in order to reach a broad readership. In particular, master's students in actuarial sciences and actuaries wishing to update their skills in machine learning will find the book useful.

This is the second of three volumes entitled Effective Statistical Learning Methods for Actuaries. Written by actuaries for actuaries, this series offers a comprehensive overview of insurance data analytics with applications to P&C, life and health insurance.




فهرست مطالب

Preface
Contents
1 Introduction
	1.1 The Risk Classification Problem
		1.1.1 Insurance Risk Diversification
		1.1.2 Why Classifying Risks?
		1.1.3 The Need for Regression Models
		1.1.4 Observable Versus Hidden Risk Factors
		1.1.5 Insurance Ratemaking Versus Loss Prediction
	1.2 Insurance Data
		1.2.1 Claim Data
		1.2.2 Frequency-Severity Decomposition
		1.2.3 Observational Data
		1.2.4 Format of the Data
		1.2.5 Data Quality Issues
	1.3 Exponential Dispersion (ED) Distributions
		1.3.1 Frequency and Severity Distributions
		1.3.2 From Normal to ED Distributions
		1.3.3 Some ED Distributions
		1.3.4 Mean and Variance
		1.3.5 Weights
		1.3.6 Exposure-to-Risk
	1.4 Maximum Likelihood Estimation
		1.4.1 Likelihood-Based Statistical Inference
		1.4.2 Maximum-Likelihood Estimator
		1.4.3 Derivation of the Maximum-Likelihood Estimate
		1.4.4 Properties of the Maximum-Likelihood Estimators
		1.4.5 Examples
	1.5 Deviance
	1.6 Actuarial Pricing and Tree-Based Methods
	1.7 Bibliographic Notes and Further Reading
	References
2 Performance Evaluation
	2.1 Introduction
	2.2 Generalization Error
		2.2.1 Definition
		2.2.2 Loss Function
		2.2.3 Estimates
		2.2.4 Decomposition
	2.3 Expected Generalization Error
		2.3.1 Squared Error Loss
		2.3.2 Poisson Deviance Loss
		2.3.3 Gamma Deviance Loss
		2.3.4 Bias and Variance
	2.4 (Expected) Generalization Error for Randomized Training Procedures
	2.5 Bibliographic Notes and Further Reading
	References
3 Regression Trees
	3.1 Introduction
	3.2 Binary Regression Trees
		3.2.1 Selection of the Splits
		3.2.2 The Prediction in Each Terminal Node
		3.2.3 The Rule to Determine When a Node Is Terminal
		3.2.4 Examples
	3.3 Right Sized Trees
		3.3.1 Minimal Cost-Complexity Pruning
		3.3.2 Choice of the Best Pruned Tree
	3.4 Measure of Performance
	3.5 Relative Importance of Features
		3.5.1 Example 1
		3.5.2 Example 2
		3.5.3 Effect of Correlated Features
	3.6 Interactions
	3.7 Limitations of Trees
		3.7.1 Model Instability
		3.7.2 Lack of Smoothness
	3.8 Bibliographic Notes and Further Reading
	References
4 Bagging Trees and Random Forests
	4.1 Introduction
	4.2 Bootstrap
	4.3 Bagging Trees
		4.3.1 Bias
		4.3.2 Variance
		4.3.3 Expected Generalization Error
	4.4 Random Forests
	4.5 Out-of-Bag Estimate
	4.6 Interpretability
		4.6.1 Relative Importances
		4.6.2 Partial Dependence Plots
	4.7 Example
	4.8 Bibliographic Notes and Further Reading
	References
5 Boosting Trees
	5.1 Introduction
	5.2 Forward Stagewise Additive Modeling
	5.3 Boosting Trees
		5.3.1 Algorithm
		5.3.2 Particular Cases
		5.3.3 Size of the Trees
	5.4 Gradient Boosting Trees
		5.4.1 Numerical Optimization
		5.4.2 Steepest Descent
		5.4.3 Algorithm
		5.4.4 Particular Cases
	5.5 Boosting Versus Gradient Boosting
	5.6 Regularization and Randomness
		5.6.1 Shrinkage
		5.6.2 Randomness
	5.7 Interpretability
		5.7.1 Relative Importances
		5.7.2 Partial Dependence Plots
		5.7.3 Friedman\'s H-Statistics
	5.8 Example
	5.9 Bibliographic Notes and Further Reading
	References
6 Other Measures for Model Comparison
	6.1 Introduction
	6.2 Measures of Association
		6.2.1 Context
		6.2.2 Probability of Concordance
		6.2.3 Kendall\'s Tau
		6.2.4 Spearman\'s Rho
		6.2.5 Numerical Example
	6.3 Measuring Lift
		6.3.1 Motivation
		6.3.2 Predictors Characteristics
		6.3.3 Convex Order
		6.3.4 Concentration Curve
		6.3.5 Assessing the Performances of a Given Predictor
		6.3.6 Comparison of the Performances of Two Predictors
		6.3.7 Ordered Lorenz Curve
		6.3.8 Numerical Illustration
		6.3.9 Case Study
	6.4 Bibliographic Notes and Further Reading
	References




نظرات کاربران