Gönderiyi okuyorsunuz: Swiss Re, benzersiz posta kodları için kaza riski puanını tahmin etmek amacıyla Makine Öğrenimi Hackathon’unu başlattı
Dünyanın önde gelen reasürans kuruluşu Swiss Re, MachineHack ile iş birliği yaparak yeni bir sigorta lansmanı başlatmaya hazır Makine Öğrenimi Hackathonu ile ilgili 11 – 28 Mart benzersiz posta kodları için kaza riski puanlarını tahmin etmek. İlk üç kazanan, 1,5 lakh INR değerinde ödüller kazanma şansına sahip olacak.
25 ülkede faaliyet gösteren Swiss Re’nin teknoloji stratejisi, müşterilerin değer zincirleri için daha akıllı ve daha yenilikçi çözümler geliştirmek amacıyla veri ve teknolojiden yararlanıyor.
Swiss Re, daha akıllı çözümler oluşturmak amacıyla riski öngörmek ve yönetmek için yeni öngörüler, öngörüler ve sermaye kullanıyor. Swiss Re’nin Bengaluru’daki Küresel İş Çözümleri Merkezi (BSC), yeni iş fırsatları yaratmak için deneyim, bilgi ve yenilikçi düşünceden yararlanan 1.300’ün üzerinde profesyonele sahiptir.
Hackathon 11 Mart 2022’de saat 18.00’de başlayacak.
Hackathon’a katılmak için buraya tıklayın.
Sorun bildirimi ve açıklaması
Swiss Re, veri bilimcilerini, makine öğrenimi ve analitik uzmanlarını araba sigortası fiyatlarını iyileştirmek için bir makine öğrenimi modeli geliştirmeye davet ediyor.
IBEF’e göre, “Yerli otomobil üretimi 2016 ile 2020 mali yılları arasında %2,36’lık bir Bileşik Büyüme Oranı ile arttı ve 2020 mali yılında ülkede 26,36 milyon araç üretildi. Genel olarak, yerli otomobil satışları mali yıllar arasında %1,29’luk bir Bileşik Büyüme Oranı ile arttı.” 2016 ve 2020, 2020 mali yılında 21,55 milyon araç satıldı.” Yollardaki araç sayısındaki artış, yolların kazalara karşı daha savunmasız hale gelmesiyle birlikte pek çok soruna da yol açacak. Artan kaza oranları aynı zamanda daha fazla sigorta talebine ve sigorta şirketlerine yapılan ödemelerin artmasına da yol açıyor.
Sigorta şirketleri, zararları önleyici bir şekilde planlamak için posta kodu/bölge vb. gibi coğrafi birimler arasındaki riski anlamak için kaza verilerinden yararlanır.
Bu mücadelede size posta kodlarına göre “Accident_Risk_Index”i tahmin etmek için veri seti sunuyoruz: Accident_Risk_Index (bir posta kodundaki ortalama kurban sayısı) = toplam(Kurban_sayısı)/sayısı(kaza_ID).
Çalışma örneği:
| Tren verileri (zar) | ||
| Kaza_ID’si | Posta Kodu | Yaralı_sayısı |
| 1 | AL1 1JJ | 2 |
| 2 | AL1 1JP | 3 |
| 3 | AL1 3PS | 2 |
| 4 | AL1 3PS | 1 |
| 5 | AL1 3PS | 1 |
| Veri modellemeyi eğitin (posta kodu düzeyinde özetlenmiştir) | |||
| Posta Kodu | türetilmiş_characteristic1 | türetilmiş_characteristic2 | Kaza_risk_index |
| AL1 1JJ | _ | _ | 2 |
| AL1 1JP | _ | _ | 3 |
| AL1 3PS | _ | _ | 1.33 |
Nakliye Yönergeleri
- Katılımcıların tahmin etmesi gerekir ‘Kaza_risk_index’ test.csv’de ve test verilerindeki posta koduna karşı
- Daha sonra ‘my_submission_file.csv’ dosyanızı hackathon sayfasının gönderim sekmesine gönderin.
Profesyonel İpucu: Katılımcıların posta kodu düzeyinde tren verilerinin ilk özeti için özellik mühendisliği yapması ve “Accident_risk_index” gibi bir sütun oluşturması ve modeli posta kodu düzeyine göre optimize etmesi gerekmektedir.
Düşünmenize yardımcı olacak birkaç hipotez: “Günün son saatlerinde trafik sıkışıklığına neden olan mesai saatleri olduğundan daha fazla kaza yaşanıyor”
“Tek şeritli yolların daha fazla olduğu posta kodları daha fazla kazaya neden oluyor”
(***Yukarıdaki hipotezde ofis_saat_bayrağı ve #tek_şerit gibi özellikler oluşturulabilir)
Ek olarak, size yol ağı verilerini (bir posta koduna en yakın yol ve onun özellikleri hakkında bilgi içerir) ve nüfus verilerini (bölge düzeyindeki nüfus hakkında bilgi içerir) sağlıyoruz. Bu bilgiler işlevleri geliştirmek içindir ancak kullanılması zorunlu değildir.
Değerlendirme kriterleri
ortalama_kare_hata(y_doğru, y_pred, kare=yanlış)
- Bu hackathon herkese açık ve özel skor tablolarını destekler.
- Genel sıralama, test verilerinin %30’u üzerinden değerlendirilir.
- %100 test verileri üzerinden değerlendirilecek olan hackathon sonunda özel liderlik tablosu mevcut olacak.
- Nihai puan, genel skor tablosundaki en iyi puana göre elde edilen puanı temsil eder.
ödüller
- Birincilik Ödülü: 75.000 INR
- İkinci fiyat: 50.000 INR
- Üçüncülük Ödülü: 25.000 INR
Hackathon 28 Mart 2022 saat 18.00’de sona erecek.
Hackathon’a katılmak için buraya tıklayın.
Veri seti ayrıntıları
- Train.csv – 4,78,741 satır x 27 sütun
- Test.csv – 1.21.259 satır x 27 sütun
- Örnek Submission.csv: Geçerli bir gönderimin nasıl oluşturulacağı hakkında daha fazla ayrıntı için MachineHack sayfasındaki ‘Değerlendirme’ bölümüne bakın.
train.csv ve test.csv:
- ‘kaza_kimliği’,
- ‘Polis kuvveti’,
- ‘Araç_sayısı’,
- ‘Yaralı_sayısı’,
- ‘Tarih’,
- ‘Haftanın_Günü’, ‘Zaman’,’
- ‘Yerel_Authority_(Bölge)’, ‘Yerel_Authority_(Yol)’,
- ‘1st_Road_Class’,
- ‘İlk_yol_numarası’,
- ‘yol_türü’,
- ‘Hız sınırı’,
- ‘2._Yol_Sınıfı’,
- ‘2._Yol_Numarası’,
- ‘Yaya_geçişi-insan_kontrol’,
- ‘Yaya_geçişi-Fiziksel_tesisler’,
- ‘Işık_koşulları’,
- “İklim koşulları”,
- ‘Yol_yüzey_koşulları’,
- ‘Sitedeki_özel_koşullar’,
- ‘Calzada_Peligros’,
- ‘kentsel_veya_kırsal_bölge’,
- ‘A_police_officer_attished_the_scene_of_an_kaza’,
- ‘durum’,
- ‘Posta Kodu’,
- ‘ülke’
# Nüfus: 8.035 satır x 10 sütun
nüfus.csv:
- ‘Posta Kodu’,
- ‘Kırsal Kentsel’,
- ‘Değişken: Tüm daimi sakinler; ölçümler: Değer’,
- ‘Değişken: Erkekler; ölçümler: Değer’,
- ‘Değişken: Kadınlar; ölçümler: Değer’,
- ‘Değişken: Bir evde yaşıyor; ölçümler: Değer’,
- ‘Değişken: Komünal bir kurumda yaşıyor; ölçümler: Değer’,
- ‘Değişken: Okul öğrencisi veya 4 yaş ve üzeri tam zamanlı öğrenci evde geç saatlerde; ölçümler: Değer’,
- ‘Değişken: Alan (Hektar); ölçümler: Değer’,
- ‘Değişken: Yoğunluk (hektar başına düşen kişi sayısı); ölçümler: Değer’
# Yol Ağı: 91.566 satır x 8 sütun
road_red.csv:
- ‘WKT’,
- ‘sınıf yol’,
- ‘Yol İşlevleri’,
- ‘Adım Şekli’,
- ‘uzunluk’,
- ‘anaRou’,
- ‘rd cinsinden en yakın noktaya olan mesafe’,
- ‘Posta Kodu’
Değerlendirme kriterleri: Ortalama kare hatası
Not: Tüm hedef değişkenler kolaylık sağlamak amacıyla eğitim veri setine sabit kodlanmıştır. Sonuçlarınızı değerlendirebilmemiz için lütfen test sonuçlarınızı benzer şekilde şifrelenmiş bir biçimde gönderin.
Diskalifiye:
- Girilen bilgilerden herhangi birinin yanlış bulunması durumunda Analytics India Magazine ve Swiss Re, herhangi bir katılımcıyı diskalifiye etme hakkını saklı tutar.
- Harici veri setlerinin her türlü kullanımı kesinlikle yasaktır. Herhangi bir harici veri seti kullanılarak tespit edilen katılımcılar diskalifiye edilecektir.
Yetenekler:
- Ortalama Karekök Hata Optimizasyonu
- Risk tahmini
- Özellik Mühendisliği
Hackathon 11 Mart 2022’de saat 18.00’de başlayacak.
Hackathon 28 Mart 2022 saat 18.00’de sona erecek.
Hackathon’a katılmak için buraya tıklayın.
