# 数理上の保険料予測

> 数理上の保険料予測 - 過去の保険金請求データをモデリングと分析に活用します。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-27T18:44:30.234442+00:00` (UTC).

## Primary page

- [数理上の保険料予測](https://docs.datarobot.com/ja/docs/api/dev-learning/accelerators/time-series/tech-prices.html.md): Full documentation for this topic (Markdown sidecar).

## Documentation content

[GitHubでこのAIアクセラレーターにアクセス](https://github.com/datarobot-community/ai-accelerators/blob/main/use_cases_and_horizontal_approaches/insurance_pricing/Code%20first%20Incurred%20Claims%20-%20Insurance%20pricing.ipynb)

このアクセラレーターは、保険料設定の包括的なガイドとして機能し、過去の保険金請求データをモデリングと分析に活用します。 このノートブックの主な目的は、保険の専門家とデータサイエンティストが、DataRobotプラットフォームを使用して、保険料設定を高い精度で効率的に予測できるようにすることです。

このアクセラレーターでは、以下をカバーします。

- 保険料設定モデリングの環境を設定する
- 必要なライブラリをインポートし、DataRobotで使用するデータ準備に重点を置く
- 保険金請求額の分布を視覚化する
- 保険料設定プロジェクトでのモデリングワークフローに2つのオプションを作成する：純保険料 vs. 頻度と強度
- さまざまな特徴量セットとモデルのカスタマイズを探索する

モデリングフェーズの後、アクセラレーターは結果分析とビジネス上の考慮に移行します。 そこでは、モデルのテスト、およびさまざまなビジネス指標とシナリオの計算について説明します。 アクセラレーターは、数理上の保険料から、固定費と可変コストを加味した実際の保険料に変換する方法もカバーしています。 この部分には、リスクと収益性を評価するために重要な、さまざまなセグメントごとの損失率の計算も含まれます。 最後に、分析フェーズには、保険料のインパクトを視覚化するための転位保険料チャートが含まれます。

詳細な分析とファインチューニングを行った後、アクセラレーターは、開発されたモデルを本番環境にデプロイする方法を説明します。 これは、実際のシナリオに保険料設定モデルを実装し、意思決定に活用するための重要なステップです。

アクセラレーターの最後のセクションは、高度なワークフロー専用です。 それには、セカンダリー請求データベースを使用した特徴量探索が導入されました。 この高度なアプローチにより、データサイエンティストやエンジニアが必要とする時間的投資を大幅に削減でき、保険料設定モデリングプロセスにおいて貴重な追加要素となります。