Tipología de cliente según el uso de los seguros de salud
Objetos digitales
| Tag | 1 | 2 | Value |
|---|---|---|---|
| LDR | 00000cam a22000004b 4500 | ||
| 001 | MAP20190033411 | ||
| 003 | MAP | ||
| 005 | 20220911191206.0 | ||
| 008 | 181022s20190000esp|||| ||| ||spa d | ||
| 040 | $aMAP$bspa$dMAP | ||
| 084 | $a343 | ||
| 100 | 1 | $0MAPA20190016506$aFerrer Lázaro, Daniel | |
| 245 | 1 | 0 | $aTipología de cliente según el uso de los seguros de salud$cDaniel Ferrer Lázaro |
| 260 | $aValencia$bFacultat d'Economia, Universitat de València$c2019 | ||
| 500 | $aTrabajo Fin de Master del Master en Ciencias Actuariales y Financieras de la Facultad de Economía de la Universidad de Valencia. Tutor: Ignacio Martínez de Lejarza Esparducer. Curso: 2018-2019 | ||
| 520 | $aEste trabajo se centra en la aplicación de procedimientos de Machine Learning a un conjunto de datos relacionado con los asegurados de un seguro de Salud. Se plantean dos objetivos: segmentación de los asegurados en función del comportamiento con respecto al uso del seguro de Salud y selección de un algoritmo que permita clasificar a estos en función de su rentabilidad. Como metodología se ha escogido la aplicación de técnicas de Aprendizaje Supervisado (J48 y Naïve Bayes) y No Supervisado (CLARA y K-means). Por un lado, los resultados de la segmentación de asegurados plantean la existencia de 5 grupos de comportamiento en función de la frecuencia de uso del seguro de Salud, aunque la distribución de asegurados en cada método varía significativamente. Por otro lado, la implementación de las técnicas de Aprendizaje Supervisado señala al método J48 como el más eficaz para la clasificación al cometer menores errores de clasificación y, por tanto, generar un menor coste derivado de este error | ||
| 650 | 4 | $0MAPA20080573867$aSeguro de salud | |
| 650 | 4 | $0MAPA20080615321$aSegmentación de clientes | |
| 650 | 4 | $0MAPA20170005476$aMachine learning | |
| 650 | 4 | $0MAPA20080624019$aComportamiento del consumidor | |
| 650 | 4 | $0MAPA20080591960$aMétodos de análisis | |
| 650 | 4 | $0MAPA20080589097$aÁrboles de decisión | |
| 700 | 1 | $0MAPA20190016513$aMartínez de Lejarza Esparducer, Ignacio | |
| 710 | 2 | $0MAPA20170016373$aUniversitat de València$bFacultat d'Economia | |
| 830 | 0 | $0MAPA20160014013$aTrabajos Fin de Master | |
| 856 | $qapplication/pdf$w1104112$yRecurso electrónico / Electronic resource |