https://github.com/gabrielcrepeault/xgbmr
Micro-reserve model using XGBoost
https://github.com/gabrielcrepeault/xgbmr
claims-reserving iml mlr r shiny xgbmr xgboost
Last synced: 2 days ago
JSON representation
Micro-reserve model using XGBoost
- Host: GitHub
- URL: https://github.com/gabrielcrepeault/xgbmr
- Owner: gabrielcrepeault
- Created: 2019-11-19T22:39:59.000Z (over 5 years ago)
- Default Branch: master
- Last Pushed: 2019-12-21T11:50:43.000Z (over 5 years ago)
- Last Synced: 2025-03-27T08:45:12.103Z (19 days ago)
- Topics: claims-reserving, iml, mlr, r, shiny, xgbmr, xgboost
- Language: R
- Homepage: https://gabrielcrepeault.github.io/xgbmr/.
- Size: 16.8 MB
- Stars: 4
- Watchers: 1
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
- jimsghstars - gabrielcrepeault/xgbmr - Micro-reserve model using XGBoost (R)
README
# Implémentation en R d'un modèle de micro-réserve utilisant l'algorithme XGBoost.
Ce package a pour objectif de contenir tout le matériel nécessaire afin de pouvoir reproduire le projet de recherche de Gabriel Crépeault-Cauchon effectué pour le cours ACT-2101 au cours de la session d'automne 2019 à l'Université Laval.
## Résumé du projet de recherche
Le projet de recherche avait pour but de reproduire le modèle de F. Duval et M. Pigeon (2019) , qui propose d'utiliser l'algorithme XGBoost afin de prédire le montant payé à l'ultime d'une réclamation en assurance, afin de pouvoir faire une estimation de la réserve individuelle à appliquer. Dans le cadre du projet de recherche, le modèle a été implémenté avec R sur un portefeuille de réclamations simulé à l'aide d'un réseau de neurones (Gabrielli et Wuthrich, 2018).
## Installation du package
Pour l'instant, le package n'est pas accessible depuis le CRAN. Il est toutefois possible de le télécharger sur votre session R avec la commande suivante :
```r
devtools::install_github(repo = "gabrielcrepeault/xgbmr")
```
## Notes sur la documentation
Dans l'éventualité où ce package pourrait être publié sur le CRAN, la partie de la documentation des différents éléments du package a été faite en anglais. Ce site web sert uniquement à supporter le rapport du projet de recherche.
## Éléments contenus dans le package `xgbmr`
* Fonctions personnalisées, principalement utilisée dans les chapitres implémentation et résultats
* Fonction *helper* qui permettent de faciliter le *tuning* d'un modèle XGBoost. Ces fonctions peuvent être réutilisés pour ajuster un modèle XGBoost dans un tout autre contexte.
* Application shiny **Black Box Explain**, qui utilise les principales fonctions du package `iml` afin de visualiser (de façon interactive) l'interprétabilité du modèle (Feature importance, PDP/ICE curves, LIME models, pred-on-truth graphs, etc).
# Références
* Duval, F., & Pigeon, M. (2019). Individual loss reserving using a gradient boosting-based approach. Risks, 7(3), 79.
* Gabrielli, A., & V Wüthrich, M. (2018). An individual claims history simulation machine. Risks, 6(2), 29.