README.md

In gabrielcrepeault/xgbmr: Implémentation en R d'un modèle de micro-réserve utilisant l'algorithme XGBoost.

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 :

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.

gabrielcrepeault/xgbmr documentation built on Dec. 30, 2019, 11:51 p.m.