Machine learning and its applications within insurance hit rates and credit risk modelling
Vi lever i en tid där det blivit allt enklare för företag att samla in och lagra stora mängder data om sina kunder. Möjlighetenattutnyttjaalladennadataförattidentifieraochförutsekundebeteendenstårhögtpåagendanföralla somsysslarmedförsäljninginågonform. Att i förväg känna till vilka kunder som är troligast att köpaenspecifikproduktellerattkunnaidentifieravilka låntagare som är mindre troliga att betalThis thesis aims to shine light on some different machine learning methods. As reference a more common statistical prediction method, namely the generalized linear model, is applied to compare the results of the machine learning methods. Six different machine learning methods are investigated. These methods are explained in detail and used to predict hit rates within insurance customers. To further
