การเปรียบเทียบตัวแบบการพยากรณ์สำหรับเบี้ยประกันภัยรับรวมของบริษัทประกันชีวิตในประเทศไทย
คำสำคัญ:
การพยากรณ์, การถดถอยต้นไม้ตัดสินใจ, การถดถอยแบบป่าสุ่ม, ซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย , การถดถอยพหุนามบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบตัวแบบการพยากรณ์ 4 ตัวแบบ คือ 1) การถดถอยต้นไม้ตัดสินใจ 2) การถดถอยแบบป่าสุ่ม 3) ซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย และ 4) การถดถอยพหุนาม ในการศึกษาเบี้ยประกันภัยรับรวมของบริษัทประกันชีวิตรายเดือนในประเทศไทยตั้งแต่เดือนมกราคม พ.ศ.2560 ถึง เดือนธันวาคม พ.ศ.2565 จำนวน 72 เดือน โดยเกณฑ์ที่ใช้ในการเปรียบเทียบ คือ เปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) และ รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) จากการศึกษาพบว่า ตัวแบบการถดถอยต้นไม้ตัดสินใจ มีค่า RMSE เท่ากับ 1654.00 และ ค่า MAPE เท่ากับ 2.93% ตัวแบบซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย มีค่า RMSE เท่ากับ 5560.59 และค่า MAPE เท่ากับ 9.03% ตัวแบบซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอย มีค่า RMSE เท่ากับ 6283.63 และ ค่า MAPE เท่ากับ 11.36% และ ตัวแบบการถดถอยต้นไม้ตัดสินใจ มีค่า RMSE เท่ากับ 6723.48 และ ค่า MAPE เท่ากับ 11.76% ซึ่งพบว่าตัวแบบการถดถอยต้นไม้ตัดสินใจมีประสิทธิภาพดีที่สุด แต่เนื่องจากตัวแบบการถดถอยต้นไม้ตัดสินใจ ไม่เหมาะสำหรับการพยากรณ์ในระยะยาว จึงเลือกใช้ตัวแบบ ซัพพอร์ตเวกเตอร์แมชชีนสำหรับการถดถอยแทน เนื่องจากตัวแบบมีประสิทธิภาพรองลงมาและมีความเหมาะสมกับข้อมูลที่นำมาใช้งาน
References
สมาคมประกันชีวิตไทย. รายงานธุรกิจประกันชีวิต ณ เดือนธันวาคม 2565. [อินเทอร์เน็ต]. 2565 [เข้าถึงเมื่อ 26 ก.พ. 2566]. เข้าถึงได้จาก: https://www.tlaa.org/page_statistics.php?cid=35
นิสานันท์ พลอาสา. การสร้างแบบจำลองการขายผลิตภัณฑ์และพยากรณ์ยอดขายประกันชีวิต โดยเทคนิคการทำเหมือง ข้อมูล กรณีศึกษาบริษัทประกันชีวิตแห่งหนึ่ง. วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาการบริหารเทคโนโลยี วิทยาลัยนวัตกรรม. มหาวิทยาลัยธรรมศาสตร์. กรุงเทพฯ; 2558.
ภิญญภา บุญเกษมธนกุล. การพยากรณ์เบี้ยประกันภัยรับโดยตรงในกรมธรรม์หลัก (ประเภทสามัญ) ของบริษัทไทยประกันชีวิต จำกัด (มหาชน). วิทยานิพนธ์ปริญญาวิทยาศาสตรบัณฑิต สาขาสถิติประยุกต์ คณะวิทยาศาสตร์. สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. กรุงเทพฯ; 2559.
นฤดล พิทักษ์วิทยกูล. การเปรียบเทียบตัวแบบการพยากรณ์เบี้ยประกันชีวิตรายใหม่ ประเภทสามัญด้วยวิธีปรับให้เรียบเอ็กซ์โปเนนเชียลแบบโฮลท์– วินเทอร์วิธีบ็อกซ์-เจนกินส์และวิธีโครงข่ายประสาทเทียม. วิทยานิพนธ์ปริญญาวิทยาศาสตรมหาบัณฑิต สาขาวิชาสถิติและการวิเคราะห์ธุรกิจ ภาควิชาสถิติ คณะวิทยาศาสตร์. สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. กรุงเทพฯ; 2563.
นิฉา แก้วหาวงษ์. ตัวแบบพยากรณ์เบี้ยประกันภัยรับโดยตรงของการประกันชีวิตแบบบํานาญ ในประเทศไทย ปี พ.ศ. 2564-2566. ใน: เอกสารประกอบการประชุมวิชาการระดับชาติ ครั้งที่ 17 และการประชุมวิชาการระดับนานาชาติ ครั้งที่ 7 วันที่ 27 ตุลาคม 2565. มหาวิทยาลัยศรีปทุม. กรุงเทพฯ; 2565. หน้า 2977-86.
ศุภามณ จันทร์สกุล. การพยากรณ์อนุกรมเวลาแบบเชิงเส้น แบบไม่ใช่เชิงเส้น และโมเดลผสมผสาน. วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย ฉบับวิทยาศาสตร์และเทคโนโลยี 2558;9(2):50-63.
สมาคมประกันชีวิตไทย. รายงานธุรกิจประกันชีวิต ตั้งแต่เดือนมกราคม พ.ศ.2560 ถึง เดือนธันวาคม พ.ศ. 2565.[อินเทอร์เน็ต]. 2565 [เข้าถึงเมื่อ 26 ก.พ. 2566]. เข้าถึงได้จาก: https://www.tlaa.org/page_statistics.php?cid=35
อโณทัย ศิลเทพาเวทย์. แบบจำลองเพื่อพัฒนาคุณภาพของผลิตภัณฑ์เอชจีเอในโรงงานอุตสาหกรรมฮาร์ดดิสก์ ด้วยเทคนิคต้นไม้ตัดสินใจ. วิทยานิพนธ์ปริญญาวิทยา ศาสตรมหาบัณฑิต สาขาวิชาวิทยาศาสตร์คอมพิวเตอร์. จุฬาลงกรณ์มหาวิทยาลัย.กรุงเทพฯ; 2554.
ปริญญา สงวนสัตย์. Artificial Intelligence with Machine Learning, AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง. พิมพ์ครั้งที่ 1. นนทบุรี: ไอดีซี พรีเมียร์; 2562.
Vapnik, V. The Nature of Statistical Learning Theory. New York: Springer-Verlag New York, Inc; 1998.
Meyer, D. et al. Misc Functions of the Department of Statistics, Probability Theory Group [Internet]. 2015 [cited 2022 December 5]. Available from: http://cran.r-project.org/web/packages/e1071/index.html.
Aczel, A. Complete Business Statistics. 4th ed. University of California: Irwin; 1989.
Smola AJ, Schölkopf B. A tutorial on support vector regression. Stat Comput 2004;14:199-222.
Christophe D, Quentin G. An explicit split point procedure in model-based trees allowing for a quick fitting of GLM trees and GLM forests. Stat Comput 2021;32(1):1-27.
Gerard B. Analysis of a Random Forests Model. J Mach Learn Res 2012;13:1063-95.
Alexandros K, David M, Kurt H. Support Vector Machines in R. J Stat Softw 2006;15(9):1-28.
Louise S, Guillaume T, Shaun H, Olivier D, Alexander H, Abdou K, et al. Using R in hydrology: a review of recent developments and future directions. Hydrol Earth Syst Sci 2019;23(7):2939–63.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 วารสารวิทยาศาสตร์และเทคโนโลยี หัวเฉียวเฉลิมพระเกียรติ
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกบทความที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ
