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.
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).
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 :
devtools::install_github(repo = "gabrielcrepeault/xgbmr")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.
- 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
imlafin de visualiser (de façon interactive) l'interprétabilité du modèle (Feature importance, PDP/ICE curves, LIME models, pred-on-truth graphs, etc).
- 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.