Más allá de las cajas negras : algoritmos interpretables de aprendizaje automático en la práctica actuarial
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<rdf:Description>
<dc:creator>Montejano Mariscal, Jorge</dc:creator>
<dc:creator>Pérez Calderón, Raquel</dc:creator>
<dc:creator>Universidad Carlos III de Madrid</dc:creator>
<dc:date>2025</dc:date>
<dc:description xml:lang="es">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</dc:description>
<dc:description xml:lang="es">Sumario: 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</dc:description>
<dc:format xml:lang="en">application/pdf</dc:format>
<dc:identifier>https://documentacion.fundacionmapfre.org/documentacion/publico/es/bib/188594.do</dc:identifier>
<dc:language>spa</dc:language>
<dc:publisher>Universidad Carlos III de Madrid</dc:publisher>
<dc:rights xml:lang="es">CC BY NC 4.0 - https://creativecommons.org/licenses/by-nc/4.0</dc:rights>
<dc:subject xml:lang="es">Automatización</dc:subject>
<dc:subject xml:lang="es">Redes neuronales artificiales</dc:subject>
<dc:subject xml:lang="es">Modelos de simulación</dc:subject>
<dc:subject xml:lang="es">Análisis de multivariables</dc:subject>
<dc:subject xml:lang="es">Estudios comparativos</dc:subject>
<dc:subject xml:lang="es">Modelos actuariales</dc:subject>
<dc:subject xml:lang="es">Seguro de automóviles</dc:subject>
<dc:subject xml:lang="es">Modelización</dc:subject>
<dc:subject xml:lang="es">Machine learning</dc:subject>
<dc:type xml:lang="es">Libros</dc:type>
<dc:title xml:lang="es">Más allá de las cajas negras : algoritmos interpretables de aprendizaje automático en la práctica actuarial</dc:title>
<dc:format xml:lang="es">62 p.</dc:format>
<dc:relation xml:lang="es">Trabajos Fin de Master/de Grado/Tesis doctorales</dc:relation>
<dc:description xml:lang="es">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</dc:description>
</rdf:Description>
</rdf:RDF>