Más allá de las cajas negras : algoritmos interpretables de aprendizaje automático en la práctica actuarial
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
<record>
<leader>00000cam a22000004b 4500</leader>
<controlfield tag="001">MAP20250016613</controlfield>
<controlfield tag="003">MAP</controlfield>
<controlfield tag="005">20251017100219.0</controlfield>
<controlfield tag="008">211217s20250601esp|||| ||| ||spa d</controlfield>
<datafield tag="040" ind1=" " ind2=" ">
<subfield code="a">MAP</subfield>
<subfield code="b">spa</subfield>
<subfield code="d">MAP</subfield>
</datafield>
<datafield tag="084" ind1=" " ind2=" ">
<subfield code="a">6</subfield>
</datafield>
<datafield tag="100" ind1="1" ind2=" ">
<subfield code="0">MAPA20250004863</subfield>
<subfield code="a">Montejano Mariscal, Jorge</subfield>
</datafield>
<datafield tag="245" ind1="1" ind2="0">
<subfield code="a">Más allá de las cajas negras</subfield>
<subfield code="b">: algoritmos interpretables de aprendizaje automático en la práctica actuarial</subfield>
<subfield code="c">Jorge Montejano Mariscal</subfield>
</datafield>
<datafield tag="260" ind1=" " ind2=" ">
<subfield code="a">Madrid</subfield>
<subfield code="b">Universidad Carlos III de Madrid</subfield>
<subfield code="c">2025</subfield>
</datafield>
<datafield tag="300" ind1=" " ind2=" ">
<subfield code="a">62 p.</subfield>
</datafield>
<datafield tag="500" ind1=" " ind2=" ">
<subfield code="a">Trabajo 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</subfield>
</datafield>
<datafield tag="505" ind1="0" ind2=" ">
<subfield code="a">1. 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</subfield>
</datafield>
<datafield tag="520" ind1=" " ind2=" ">
<subfield code="a">Este 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</subfield>
</datafield>
<datafield tag="540" ind1=" " ind2=" ">
<subfield code="a">La copia digital se distribuye bajo licencia "Attribution 4.0 International (CC BY NC 4.0)"</subfield>
<subfield code="f">CC BY NC 4.0</subfield>
<subfield code="u">https://creativecommons.org/licenses/by-nc/4.0</subfield>
<subfield code="9">64</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080568009</subfield>
<subfield code="a">Automatización</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080624842</subfield>
<subfield code="a">Redes neuronales artificiales</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080602642</subfield>
<subfield code="a">Modelos de simulación</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080618902</subfield>
<subfield code="a">Análisis de multivariables</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080601492</subfield>
<subfield code="a">Estudios comparativos</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080592011</subfield>
<subfield code="a">Modelos actuariales</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080603779</subfield>
<subfield code="a">Seguro de automóviles</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20080563448</subfield>
<subfield code="a">Modelización</subfield>
</datafield>
<datafield tag="650" ind1=" " ind2="4">
<subfield code="0">MAPA20170005476</subfield>
<subfield code="a">Machine learning</subfield>
</datafield>
<datafield tag="700" ind1="1" ind2=" ">
<subfield code="0">MAPA20250001008</subfield>
<subfield code="a">Pérez Calderón, Raquel</subfield>
</datafield>
<datafield tag="710" ind1="2" ind2=" ">
<subfield code="0">MAPA20080455026</subfield>
<subfield code="a">Universidad Carlos III de Madrid</subfield>
</datafield>
<datafield tag="830" ind1=" " ind2="0">
<subfield code="0">MAPA20160014013</subfield>
<subfield code="a">Trabajos Fin de Master/de Grado/Tesis doctorales</subfield>
</datafield>
<datafield tag="856" ind1=" " ind2=" ">
<subfield code="q">application/pdf</subfield>
<subfield code="w">1129098</subfield>
<subfield code="y">Acceso al documento / Access the document</subfield>
</datafield>
</record>
</collection>