‘Conformal prediction’ is een techniek die de laatste jaren in opkomst en in ontwikkeling is, waarbij de onzekerheid gekwantificeerd kan worden
voor ieder model type. In dit artikel beschrijf ik de beginselen van deze techniek.
ACHTERGROND
Er is een veelheid van machinelearningtechnieken beschikbaar, en de ontwikkeling van nieuwe technieken gaat gestaag verder. Bekende machinelearningtechnieken zijn lineaire / logistische / ridge / lasso regressie, decision trees, random forest, (extreme) gradient boosting en
verschillende soorten neurale netwerken (zie Plat (2017)). Met uitzondering van de regressiemodellen leveren deze technieken geen kwantificering van onzekerheid op, althans niet met de juiste theoretische garanties.
De laatste jaren is conformal prediction in opkomst. Met deze techniek kan een betrouwbaarheidsinterval of distributie bepaald worden voor ieder mogelijk predictiemodel. Met de aanvulling van conformal prediction zijn machine learning modellen derhalve meer bruikbaar voor actuariële doeleinden.
Lees dit artikel verder onder Download.
Download
- Kwantificeren onzekerheid met ‘Conformal Prediction’ .pdf • 0,08 MB
