Quelles limites pour les algorithmes d’apprentissage ?

Avec Michel Denuit, on vient de publier un court article, quelles limites pour les algorithmes d’apprentissage ? Une version en anglais devrait paraître dans un ouvrage collectif dans les semaines à venir.

Une étape essentielle du processus de tarification est le choix de l’algorithme qui permettra de calculer la prime à partir de données passées. En assurance, les modèles prédictifs sont partout : il peut s’agir de calculer la prime demandée pour couvrir les dommages causés à un bien, ou encore d’un score interne de suspicion de fraude sur un sinistre. Ce papier discute des limites de l’application des algorithmes prédictifs en assurance en revenant sur les notions de segmentation des risques et d’hétérogénéité.

Prédire le nombre de morts, suite

Il y a quelques jours, un tweet de Baptiste Coulmont m’inspirait un billet sur l’estimation de la surmortalité, en France. Ce soir, c’est un tweet d’Alexandre Blanchet, qui parlait de surmortalité, au Québec.

J’étais surpris, parce que la prévision est bien au dessus des années passés contrairement à ce qu’on pouvait observer en France. En repartant des codes d’Alexandre (data_prep.R puis predictions.R) j’ai remis un peu en forme le graphique, pour avoir la vision de long-terme, pour comprendre la tendance linéaire utilisée par Alexandre (qui utilise un modèle à la Buys-Ballot)

Je me disais qu’on pouvait tenter des modèles de lissages exponentiel, à la Holt-Winters,

library(forecast)
x=ts(df.l_training$deces,start = 2010, frequency = 12)
x.hw <- ets(x, model = "AAA")
autoplot(forecast(x.hw,24))

en version additive, ou multiplicative

x.hw2 <- ets(x, model = "MAM")
autoplot(forecast(x.hw2,24))

Je laisse à d’autre le soin de comparer aux nombres de morts observés depuis 2 mois, je reste fasciné pour ma part par la tendance à la hausse de la mortalité, depuis 10 ans… Et j’essayerais de comparer ces trois modèles dès que j’aurais finis mes corrections de copies de la session d’hiver.