This thesis analyzes the evolution, optimization, and deployment process of a machine learning system for insurance claims prediction. The project's primary objective is to predict the number of claims (with or without follow-up) for different risk categories, in order to improve operational efficiency and resource management.

Il presente lavoro di tesi analizza il processo di evoluzione, ottimizzazione e messa in produzione di un sistema di machine learning per la predizione dei sinistri in ambito assicurativo. L'obiettivo primario del progetto è la predizione del numero dei sinistri (con o senza seguito) per diverse categorie di rischio, al fine di migliorare l'efficienza operativa e la gestione delle risorse.

Ottimizzazione e Industrializzazione di Modelli Predittivi per la Gestione dei Sinistri Assicurativi

SANTACROCE, DONATO
2024/2025

Abstract

This thesis analyzes the evolution, optimization, and deployment process of a machine learning system for insurance claims prediction. The project's primary objective is to predict the number of claims (with or without follow-up) for different risk categories, in order to improve operational efficiency and resource management.
2024
Optimization and Industrialization of Predictive Models for insurance Claims Management
Il presente lavoro di tesi analizza il processo di evoluzione, ottimizzazione e messa in produzione di un sistema di machine learning per la predizione dei sinistri in ambito assicurativo. L'obiettivo primario del progetto è la predizione del numero dei sinistri (con o senza seguito) per diverse categorie di rischio, al fine di migliorare l'efficienza operativa e la gestione delle risorse.
Machine Learning
Sinistri
Assicurazione
Feature Elimination
Tuning
File in questo prodotto:
File Dimensione Formato  
Tesi_Magistrale_completa_pdfa.pdf

accesso aperto

Dimensione 589.19 kB
Formato Adobe PDF
589.19 kB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14251/3643