Reconstrucción de dos métricas actuariales mediante el stacking de modelos de aprendizaje de máquina

Autores/as

  • Amaury de Souza Amaral Pontifícia Universidade Católica de São Paulo
  • Jardel Marques Monti Pontifícia Universidade Católica de São Paulo
  • Segundo Parra Milián Universidade Estadual Paulista

DOI:

https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1095

Palabras clave:

Inteligencia Artificial, Optimización de Procesos, Salud Complementaria

Resumen

Objetivo: Gran parte de la asistencia sanitaria de los brasileños se financia con planes de seguro médico cuyos reajustes han sido cuestionados en los tribunales. Dada la dificultad de obtener información que no siempre está disponible en las demandas, para la reconstrucción de datos, desarrollamos una métrica mediante técnicas de Deep Learning para obtener dicha información. Método: Tras analizar los datos obtenidos del Organismo Regulador, entrenamos tres algoritmos diferentes de aprendizaje supervisado con el objetivo de obtener información a través de un problema de optimización. Utilizamos el método Lagrangiano Aumentado para incluir las restricciones en la función de costo y el Recocido Simulado para minimizarla. Resultados: Tal y como se esperaba, el rendimiento del apilamiento superó a los aprendizajes de base. Conclusiones: Con los resultados obtenidos fue posible obtener la información de costo médio por siniestro y frecuencias retroactivas, obtenida del "pasado del plan de salud".

Biografía del autor/a

Segundo Parra Milián, Universidade Estadual Paulista

Instituto de Física Teórica – IFT - Universidade Estadual Paulista – São Paulo

Citas

Chen T, Guestrin C. Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining. 2016: 785-794.

Cortes C, Vapnik V. Support-Vector networks. Machine Learning. 1995; 20 (3): 273– 297.

Ganaie M, Hu M, et al. Ensemble deep learning: A review. arXiv preprint arXiv:2104.02395. 2021

Wolpert D H. Stacked generalization. Neural Networks. 1992; 5 (2): 241–259.

Breiman L. Stacked regressions. Mach. Learn. 1996; 24 (1): 49–64.

Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467. 2016.

Harris CR, Millman KJ, van der Walt SJ, Gommers R, Virtanen P, Cournapeau D, Wieser E, Taylor J, Berg S, Smith NJ, Kern R, Picus M, Hoyer S, van Kerkwijk MH, Brett M, Haldane A, Del Río JF, Wiebe M, Peterson P, Gérard-Marchant P, Sheppard K, Reddy T, Weckesser W, Abbasi H, Gohlke C, Oliphant TE. Array programming with NumPy. Nature. 2020 Sep;585(7825):357-362

Guo C, Berkhahn F. Entity embeddings of categorical variables. ArXiv, abs/1604.06737. 2016.

Kingma DP, Ba J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. 2014.

Hestenes MR. Multiplier and gradient methods. Journal of optimization theory and applications. 1969; 4 (5): 303–320.

Powell MJ. A method for nonlinear constraints in minimization problems. Opti mization. 1969: 283–298.

Bohachevsky IO, Johnson ME, Stein M L. Generalized simulated annealing for function optimization. Technometrics.1986; 28 (3): 209–217.

Romeo F, Sangiovanni-Vincentelli A. A theoretical framework for simulated annealing. Algorithmica. 1991; 6 (1): 302–345.

Publicado

2023-07-20

Cómo citar

Amaral, A. de S., Monti, J. M., & Milián, S. P. (2023). Reconstrucción de dos métricas actuariales mediante el stacking de modelos de aprendizaje de máquina. Journal of Health Informatics, 15(Especial). https://doi.org/10.59681/2175-4411.v15.iEspecial.2023.1095

Artículos similares

<< < 1 2 3 4 5 6 7 8 > >> 

También puede {advancedSearchLink} para este artículo.