PRECIFICAÇÃO DO SEGURO AUTOMÓVEL COM MACHINE LEARNING E MODELOS LINEARES GENERALIZADOS

Abstract

Neste trabalho, aplicamos modelos de Machine Learning (árvores de regressão, random forest, boosting e XGBoost) para precificação ou tarifação de uma carteira de seguro automóvel e comparamos com modelos lineares generalizados (GLM) em dados de sinistros de seguro automóvel considerando as principais características do segurado e do veículo. Com base em critérios de avaliação de peformance fora-da-amostra, os resultados indicaram que o XGBoost é o melhor método preditivo tanto para frequência como para severidade, apresentando ganhos na predição quando comparado ao GLM comumente utilizado em tarifação de seguros.

Keywords

• machine learning
• seguro automóvel
• tarifação
• glm