Analýza cen pojištění pomocí strojového učení

Barbora Pánková

Analysis of insurance pricing by machine learning techniques

Type of document

diplomová práce
master thesis

Author

Barbora Pánková

Supervisor

Petr Tomáš

Opponent

Hendrych Radek

Field of study

Aplikované matematicko-stochastické metody

Study program

Aplikace přírodních věd

Institutions assigning rank

katedra matematiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Tato diplomová práce se zabývá použitím zobecněných lineárních modelů a modelů neuronových sítí pro odhadnutí cen konkurence a zkoumáním jejich struktury v pojištění odpovědnosti z provozu vozidla. Práce obsahuje potřebné shrnutí teorie z oblasti zobecněných lineárních modelů a neuronových sítí. Na základě této teorie jsou odhadovány modely struktur cen dvou společností s odlišným množstvím pozorování. V práci jsou srovnávány různé postupy založené na zobecněných lineárních modelech a neuronových sítí aplikovaných na vstupní data.

This master thesis deals with the use of generalized linear models and neural network models for estimating competition prices and examining their structure in motor third party liability insurance. The thesis contains the necessary summary of the theory of generalized linear models and neural networks. Based on this theory, models of price structures of two companies with different amounts of observations are estimated. The work compares various methods based on generalized linear models and neural networks applied to input data.