Estimation de la fréquence des sinistres par l'application des réseaux de neurones à AdaBoost

Partout dans le monde, la facilité montante de l'accès à une puissance de calcul importante a motivé un grand nombre de changements dans la façon d'approcher les problèmes, et ce dans la plupart des domaines de recherche. Cette avancée technologique a permi d'utiliser des techniques de modélisations et de prédictions qui étaient jusqu'à lors trop longues à mettre en place pour avoir un réel intérêt pratique. Le secteur des assurances n'a pas été épargné par le phénomène et évolue avec son temps. Le machine learning 1, outil de modélisation très puissant, est maintenant facilement accessible et les compagnies d'assurances souhaient en tirer le meilleur parti en matière de prédiction et d'aide à la décision. L'utilisation de prédicteurs n'est pas nouvelle dans ce secteur, mais les algorithmes utilisés changent avec l'essort actuel de la technologie. Ainsi il est maintenant possible de facilement utiliser des réseaux de neurones afin de répondre aux problèmes pour lesquels des algorithmes moins complexes étaient utilisés auparavant. Le cadre dans lequel les analyses de ce mémoire seront réalisées est la prédiction de la fréquence de sinistres des clients d'une assurance (moto). Les différentes parties du travail seront articulées autour de ce but final. Afin de prouver que les techniques utilisées dans ce travail sont efficaces, celles-ci seront comparées avec un type de modèle étant encore majoritairement utilisé pour le calcul de la fréquence des accidents : le modèle linéaire généralisé. Au coeur de ce travail se situent les réseaux de neurones ainsi que l'algorithme de boosting bien connu "AdaBoost". Plus particulièrement, les réseaux de neurones précédemment cités seront appliqués à l'algorithme AdaBoost afin de tenter de produire de meilleurs résultats que ceux du modèle linéaire généralisé. Dans la première partie de cet ouvrage seront traités les questions relatives à l'analyse et la préparation de la base de données utilisée. Dans la deuxième partie, les algorithmes utilisés ainsi que les concepts importants à leur compréhension seront abordés et expliqués. Enfin, la troisième partie de ce travail aura pour but d'appliquer les algorithmes au cas étudié et de comparer les résultats obtenus.