基于机器学习的长期护理保险定价研究.pptVIP

;;01;经济负担沉重;长期护理保险制度发展现状;;02;长期护理保险定价的传统方法;失能等级评估标准（ADLs与《失能评估标准》);;03;CHARLS数据与《失能评估标准》结合;;机器学习模型选择与变量预选;04;状态转移概率估计方法;模型整体表现良好:准确率达85.2%，表明模型在整体预测正确率上表现稳健，适用于平衡数据集场景。

精确率与召回率均衡:精确率（78.5%)与召回率（82.1%)差异较小，F1分数（80.3%)显示模型在正样本识别和误报控制上取得平衡。

关键指标对比价值:F1分数高于精确率但低于召回率，说明模型更倾向于降低漏检率（Recall优势)，适用于保险定价中高风险识别的业务需求。;;05;序列建模优势：HMM适合护理保险的状态转移预测，但需预先定义隐藏状态，计算转移概率矩阵。

精度与效率平衡：随机森林/XGBoost在定价场景综合表现最佳，神经网络精度高但计算成本过大。

数据依赖性差异：逻辑回归对数据量要求低但特征工程关键，神经网络依赖大数据避免过拟合。

业务适配逻辑：长期护理定价需结合状态转移（HMM)与个体风险因子（XGBoost)进行联合建模。

可解释性对比：逻辑回归系数可直接解释，HMM需通过维特比算法解码状态，神经网络需SHAP等后处理。;机器学习模型的定价效果;;06;机器学习模型显著提升定价精度;;未来研究方向;感