• Морозов Михаил Ильич, Югорский Государственный Университет (Ханты-Мансийск, Россия,)

В работе раскрываются основные ограничений древовидных систем принятия решений в страховании – чувствительность к шуму и выбросам, склонность к переобучению, ограниченная способность к обобщению. Предлагаются способы их преодоления за счет методов машинного обучения, нейронных сетей и методов стекинг-ансамблирования. Ставится гипотеза о улучшении качества прогнозирования убытков, где прогнозы от нескольких базовых моделей (XGBoost, CatBoost, LogisticRegression, RandomForest, TabTransformer), в совокупности с исходными признаками набора данных, объединяются в более сильный ансамбль моделей, где строится метамодель на основе полносвязной нейронной сети с дополнительным входом исходным признаков. На данных страхования автомобилей в России за 2023-2025 годы, проводится исследование, где описывается порядок эксперимента с обучением разнородных моделей машинного обучения и нейронных сетей. Описывается алгоритм предобработки набора данных с акцентом на специфичное кодирование категорий (европейская классификация автомобилей по сегменту люксовости), делается акцент на несбалансированности целевого класса – менее 3% убытков во всем объеме данных. На основе обученных моделей строятся модели ансамблей, используя пять методов стекинг-ансамблирования: Simple Average, LogisticRegression-Constraint, Adaptive Regression by Mixing, ARM-Tweedie, Multilayer Perceptron (MLP). Проводится качественное сравнение базовых моделей с ансамблями моделей на основе классификационных (ROC-AUC, PR-AUC) и вероятностных метрик (Logloss, BrierScore). По результатам исследования лучшей базовой моделью является TabTransformer (BrierScore = 0.037, LogLoss = 0.185, ROC-AUC = 0.635, PR-AUC = 0.054). Ансамбль на основе полносвязной нейронной сети (MLP) превзошел ее по всем ключевым метрикам (BrierScore = 0.026, LogLoss = 0.131, ROC-AUC = 0.649, PR-AUC = 0.055). Полученный результат исследования позволяют подтвердить поставленную гипотезу: ансамбль на основе полносвязной нейронной сети позволил получить прирост по основным метрикам оценки. Полученный результат доказывает методологическую ценность подхода, даже в условиях ограниченного сигнала данных нейросетевой ансамбль в совокупности с исходными признаками обеспечивает более эффективное объединение прогнозов по сравнению с методами предиктивной аналитики и методами стекинг-ансамблирования.

деревья решений, нейронные сети, машинное обучение, автомобильное страхование, убыточность, стекинг ансамблирование

2026-09-03