Seuraava artikkeli auttaa sinua: Swiss Re julkaisee koneoppimishackathonin ennustaakseen yksilöllisten postinumeroiden tapaturmariskipisteitä
Swiss Re, maailman johtava jälleenvakuutusorganisaatio, aikoo käynnistää yhteistyössä MachineHackin kanssa Koneoppimishackathon alkaen 11. maaliskuuta – 28. maaliskuuta ennustaa yksilöllisten postinumeroiden onnettomuusriskipisteitä. Kolmella parhaalla voittajalla on mahdollisuus voittaa 1,5 lakhin INR arvoisia palkintoja.
Swiss Re toimii 25 maassa, ja se hyödyntää dataa ja teknologiaa älykkäämpien ja innovatiivisten ratkaisujen kehittämiseksi asiakkaiden arvoketjuille.
Swiss Re käyttää tuoreita näkökulmia, osaamista ja pääomaa riskien ennakoimiseen ja hallintaan luodakseen älykkäämpiä ratkaisuja. Bangaloressa sijaitsevassa Swiss Re:n Global Business Solutions Centerissä (BSC) työskentelee yli 1 300 ammattilaista, jotka hyödyntävät kokemusta, asiantuntemusta ja konkreettista ajattelua luodakseen uusia liiketoimintamahdollisuuksia.
Hackathon alkaa 11.3.2022 klo 18.00
Klikkaa tästä osallistuaksesi hackathoniin.
Ongelman kuvaus ja kuvaus
Swiss Re kutsuu datatieteilijöitä, koneoppimisen harjoittajia ja analytiikan ammattilaisia rakentamaan koneoppimismallia autovakuutusten hinnoittelun parantamiseksi.
IBEF:n mukaan kotimaan autojen tuotanto kasvoi 2,36 % CAGR 16-20 välisenä aikana, kun maassa valmistettiin 26,36 miljoonaa ajoneuvoa vuonna 20. Kaiken kaikkiaan kotimaan autojen myynti kasvoi 1,29 % CAGR:llä 16.-20. tilikaudella, ja 21.55 miljoonaa ajoneuvoa myytiin tilikaudella 20. Ajoneuvojen määrän kasvu tiellä johtaa myös moniin haasteisiin ja tie on alttiimpi onnettomuuksille. Tapaturmien lisääntyminen johtaa myös vakuutusyhtiöiden vakuutuskorvausten lisääntymiseen ja korvausten nousuun.
Suunnitellakseen vahingot ennakoivasti vakuutusyhtiöt hyödyntävät tapaturmatietoja ymmärtääkseen riskin maantieteellisten yksiköiden välillä, esim. postinumero/alue jne.
Tässä haasteessa tarjoamme sinulle tietojoukon, jonka avulla voit ennustaa tapaturmariskiindeksin postinumeroita vastaan. Onnettomuusriskiindeksi (keskimääräiset uhrit postinumerossa) = summa(tapaturmien_määrä)/luku(onnettomuustunnus).
Toimiva esimerkki:
| Junatiedot (annettu) | ||
| Onnettomuustunnus | Postinumero | Uhrien_määrä |
| 1 | AL1 1JJ | 2 |
| 2 | AL1 1JP | 3 |
| 3 | AL1 3PS | 2 |
| 4 | AL1 3PS | 1 |
| 5 | AL1 3PS | 1 |
| Junatietojen mallinnus (postinumerotasolla) | |||
| Postinumero | Johdettu_ominaisuus1 | Johdettu_ominaisuus2 | Onnettomuusriskiindeksi |
| AL1 1JJ | _ | _ | 2 |
| AL1 1JP | _ | _ | 3 |
| AL1 3PS | _ | _ | 1.33 |
Lähetysohjeet
- Osallistujien on ennakoitava ‘Accident_risk_dex’ test.csv-tiedostossa ja testitietojen postinumeroa vastaan
- Lähetä sitten “my_submission_file.csv” hackathon-sivun lähetysvälilehdelle.
Pro-vinkki: Osallistujien on suoritettava ominaisuussuunnittelu, jotta junatiedot kerätään ensimmäisen kerran postinumerotasolla, luodaan sarake “Accident_risk_index” -merkinnällä ja optimoidaan malli postinumerotason mukaan.
Muutama hypoteesi, joka auttaa sinua ajattelemaan: “Lisää onnettomuuksia tapahtuu päivän loppupuolella, koska ne ovat ruuhkaa aiheuttavia virka-aikoja”
“Postinumeroissa, joissa on enemmän yksikuljetuksia, sattuu enemmän onnettomuuksia”
(***Yllä olevassa hypoteesissa voidaan muodostaa ominaisuuksia, kuten office_hours_flag ja #single _carriage tiet)
Lisäksi tarjoamme sinulle tieverkkotietoja (sisältää tietoa postinumeroa lähimmästä tiestä ja sen ominaisuuksista) ja väestötietoja (sisältää tietoa väestöstä aluetasolla). Nämä tiedot on tarkoitettu ominaisuuksien lisäämiseen, mutta niiden käyttö ei ole pakollista.
Arviointikriteeri
mean_squared_error(y_true, y_pred, squared=False)
- Tämä hackathon tukee yksityisiä ja julkisia tulostaulukoita.
- Julkinen tulostaulukko arvioidaan 30 prosentilla testitiedoista.
- Yksityinen tulostaulukko tulee saataville hackathonin lopussa, ja se arvioidaan 100 % testitiedon perusteella.
- Lopullinen pistemäärä edustaa julkisen tulostaulukon parhaan pistemäärän perusteella saavutettua pistettä.
Palkinnot
- Ensimmäinen palkinto: 75 000 INR
- Toinen hinta: 50 000 INR
- Kolmas palkinto: 25 000 INR
Hackathon päättyy 28.3.2022 klo 18.00.
Klikkaa tästä osallistuaksesi hackathoniin.
Tietojoukon tiedot
- Train.csv – 4 78 741 riviä x 27 saraketta
- Test.csv – 1 21 259 riviä x 27 saraketta
- Sample Submission.csv — Tarkista MachineHack-sivun Arviointi-osiossa lisätietoja kelvollisen lähetyksen luomisesta.
train.csv & test.csv:
- ‘Accident_ID’,
- ‘Poliisivoimat’,
- ‘Number_of_Vehicles’,
- ‘Number_of_Casualties’,
- ‘Päivämäärä’,
- ‘Day_of_Week’, ‘Time’,’
- ‘Local_Authority_(District)’, ‘Local_Authority_(Highway)’,
- ‘1st_Road_Class’,
- ‘1st_Road_Number’,
- ‘Road_Type’,
- ‘Nopeusrajoitus’,
- ‘2nd_Road_Class’,
- ‘2nd_Road_Number’,
- “Pedestrian_Crossing-Human_Control”,
- “Pedestrian_Crossing-Physical_Facilities”,
- ‘Light_Conditions’,
- ”Sääolosuhteet’,
- ‘Road_Surface_Conditions’,
- “Special_Conditions_at_Site”,
- “Carriageway_Hazards”,
- “Urban_or_Rural_Area”,
- “Did_Police_Officer_Attend_Scene_of_Accident”,
- ‘osavaltio’,
- ‘postinumero’,
- ‘maa’
# Populaatio: 8 035 riviä x 10 saraketta
populaatio.csv:
- “postinumero”,
- “Rural Urban”,
- Muuttuva: Kaikki tavalliset asukkaat; toimenpiteet: Arvo’,
- “Muuttuja: urokset; toimenpiteet: Arvo’,
- ‘Muuttuja: Naaraat; toimenpiteet: Arvo’,
- ‘Muuttuja: Asuu kotitaloudessa; toimenpiteet: Arvo’,
- “Muuttuja: Asuu kunnallisessa laitoksessa; toimenpiteet: Arvo’,
- ”Muuttuja: 4-vuotias tai sitä vanhempi koululainen tai päätoiminen opiskelija vapaa-aikaisessa osoitteessa; toimenpiteet: Arvo’,
- “Muuttuja: Pinta-ala (hehtaaria); toimenpiteet: Arvo’,
- “Muuttuja: Tiheys (henkilömäärä hehtaaria kohti); mittaa: arvo
# Tieverkko: 91 566 riviä x 8 saraketta
roads_network.csv:
- ‘WKT’,
- “roadClassi”,
- “roadFuncti”,
- ‘formOfWay’,
- ‘pituus’,
- ‘primaryRou’,
- “etäisyys lähimpään pisteeseen rd:llä”,
- ‘postinumero’
Arviointikriteerit: Root Mean Square Error
Huomautus: Kaikki tavoitemuuttujat on koodattu harjoitustietojoukkoon mukavuuden vuoksi. Lähetä testitulokset samalla tavalla koodatulla tavalla, jotta voimme arvioida tulokset.
Diskvalifiointi:
- Jos jokin syötetyistä tiedoista todetaan virheellisiksi, Analytics India Magazine ja Swiss Re varaavat oikeuden hylätä minkä tahansa osallistujan.
- Kaikki ulkoisen tietojoukon käyttö on ehdottomasti kielletty. Osallistujat hylätään, jos heidät löydetään käyttämällä jotakin ulkoista tietojoukkoa.
Taidot:
- Keskimääräisen neliövirheen optimointi
- Riskin ennustaminen
- Ominaisuussuunnittelu
Hackathon alkaa 11.3.2022 klo 18.00
Hackathon päättyy 28.3.2022 klo 18.00.
Klikkaa tästä osallistuaksesi hackathoniin.
