Más allá de las cajas negras : algoritmos interpretables de aprendizaje automático en la práctica actuarial
Objetos digitales
| Tag | 1 | 2 | Value |
|---|---|---|---|
| LDR | 00000cam a22000004b 4500 | ||
| 001 | MAP20250016613 | ||
| 003 | MAP | ||
| 005 | 20251017100219.0 | ||
| 008 | 211217s20250601esp|||| ||| ||spa d | ||
| 040 | $aMAP$bspa$dMAP | ||
| 084 | $a6 | ||
| 100 | 1 | $0MAPA20250004863$aMontejano Mariscal, Jorge | |
| 245 | 1 | 0 | $aMás allá de las cajas negras$b: algoritmos interpretables de aprendizaje automático en la práctica actuarial$cJorge Montejano Mariscal |
| 260 | $aMadrid$bUniversidad Carlos III de Madrid$c2025 | ||
| 300 | $a62 p. | ||
| 500 | $aTrabajo Fin de Master del Master en Ciencias Actuariales y Financieras de la Escuela de Postgrado de la Universidad Carlos III de Madrid. Tutora: Raquel Pérez Calderón. Promoción 2023-2025 | ||
| 505 | 0 | $a1. Introducción -- 1.1. Interpretabilidad en el aprendizaje automático -- 1.2. Motivación y objetivos del trabajo -- 2. Metodología y marco teórico -- 2.1. Modelo inicial (GLM) -- 2.2. Modelos de aprendizaje automático (black-box) -- 2.2.1. Random forest -- 2.2.2. Redes neuronales -- 2.3. Interpretabilidad y aprendizaje automático -- 2.4. Métodos de interpretabilidad sobre el modelo (post-hoc) -- 2.4.1. Métodos modelo-agnósticos globales -- 2.4.1.1. Importancia de las variables -- 2.4.1.2. PDP -- 2.4.2. Métodos modelo-agnósticos locales -- 2.4.2.1. LIME -- 2.4.2.2. SHAP -- 2.4.3. Modelo sustituto -- 2.5. Modelos inherentemente interpretativos (by-design) -- 2.5.1. EBM -- 2.5.2. NAM -- 2.5.3. RuleFit -- 3. Base de datos -- 3.1. Descripción y obtención -- 3.2. Análisis exploratorio de los datos -- 4. Resultados -- 4.1. GLM -- 4.1.1. Métricas -- 4.1.2. Comportamiento global -- 4.1.3. Comportamiento local -- 4.2. Random forest -- 4.2.1. Métricas -- 4.2.2. Comportamiento global -- 4.2.3. Comportamiento local -- 4.2.3.1. LIME -- 4.2.3.2. SHAP -- 4.3. DNN -- 4.3.1. Métricas -- 4.3.2. Comportamiento global -- 4.3.3. Comportamiento local modelo sustituto -- 4.4. EBM -- 4.4.1. Métricas -- 4.4.2. Comportamiento global -- 4.4.3. Comportamiento local -- 4.5. NAM -- 4.5.1. Métricas -- 4.5.2. Comportamiento global -- 4.5.3. Comportamiento local -- 4.6. RuleFit -- 4.6.1. Métricas -- 4.6.2. Comportamiento global -- 4.6.3. Comportamiento local -- 5. Comparativa modelos -- 5.1. Principales métricas -- 5.2. Predicción promedio versus observada por variable -- 5.3. Contribución por variable y estimaciones locales -- 5.5. Balance de la comparativa -- 6. Conclusiones -- Bibliografía | |
| 520 | $aEste trabajo analiza la creciente necesidad de interpretabilidad en modelos de aprendizaje automático aplicados al sector asegurador, comparando algoritmos caja-negra con modelos interpretativos tanto post-hoc como por diseño. A través de una aplicación práctica en Python con datos reales del ramo de autos, se evalúa la capacidad predictiva y explicativa de modelos como GLM, Random Forest, redes neuronales profundas, EBM, NAM y RuleFit. Los resultados muestran que los modelos interpretativos alcanzan un rendimiento competitivo y ofrecen explicaciones claras que favorecen la confianza, la adopción y la toma de decisiones informadas. Se concluye que, en contextos regulados como el asegurador, los modelos interpretativos no solo son viables, sino preferibles, y se recomienda su uso según las necesidades específicas de flexibilidad, simplicidad o robustez | ||
| 540 | $aLa copia digital se distribuye bajo licencia "Attribution 4.0 International (CC BY NC 4.0)"$fCC BY NC 4.0$uhttps://creativecommons.org/licenses/by-nc/4.0$964 | ||
| 650 | 4 | $0MAPA20080568009$aAutomatización | |
| 650 | 4 | $0MAPA20080624842$aRedes neuronales artificiales | |
| 650 | 4 | $0MAPA20080602642$aModelos de simulación | |
| 650 | 4 | $0MAPA20080618902$aAnálisis de multivariables | |
| 650 | 4 | $0MAPA20080601492$aEstudios comparativos | |
| 650 | 4 | $0MAPA20080592011$aModelos actuariales | |
| 650 | 4 | $0MAPA20080603779$aSeguro de automóviles | |
| 650 | 4 | $0MAPA20080563448$aModelización | |
| 650 | 4 | $0MAPA20170005476$aMachine learning | |
| 700 | 1 | $0MAPA20250001008$aPérez Calderón, Raquel | |
| 710 | 2 | $0MAPA20080455026$aUniversidad Carlos III de Madrid | |
| 830 | 0 | $0MAPA20160014013$aTrabajos Fin de Master/de Grado/Tesis doctorales | |
| 856 | $qapplication/pdf$w1129098$yAcceso al documento / Access the document |