| 内容摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国内外文献综述 | 第12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.2.3 国内研究现状 | 第13页 |
| 1.3 研究内容和方法 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 研究方法 | 第14-15页 |
| 1.4 论文创新点 | 第15-16页 |
| 第2章 非寿险责任准备金概述 | 第16-21页 |
| 2.1 非寿险责任准备金的概念 | 第16-17页 |
| 2.1.1 非寿险业务简介 | 第16页 |
| 2.1.2 非寿险责任准备金的定义 | 第16-17页 |
| 2.2 非寿险责任准备金的构成 | 第17-19页 |
| 2.3 提取责任准备金的意义 | 第19-21页 |
| 第3章 非寿险责任准备金的经典评估方法分析 | 第21-29页 |
| 3.1 未到期责任准备金评估方法分析 | 第21-23页 |
| 3.1.1 比例法 | 第21-22页 |
| 3.1.2 风险分布法 | 第22-23页 |
| 3.2 未决赔款准备金的确定性评估方法 | 第23-29页 |
| 3.2.1 流量三角形 | 第23-24页 |
| 3.2.2 链梯法 | 第24-25页 |
| 3.2.3 案均赔款法 | 第25-26页 |
| 3.2.4 准备金进展法 | 第26-28页 |
| 3.2.5 B-F法 | 第28-29页 |
| 第4章 机器学习算法概述 | 第29-40页 |
| 4.1 机器学习简述 | 第29-32页 |
| 4.1.1 机器学习的发展历程 | 第29-30页 |
| 4.1.2 机器学习的定义 | 第30-31页 |
| 4.1.3 机器学习的分类 | 第31页 |
| 4.1.4 机器学习的应用现状 | 第31-32页 |
| 4.2 分类和回归树(CART)算法 | 第32-37页 |
| 4.2.1 树,二叉树与多叉树 | 第32-35页 |
| 4.2.2 分类和回归树(CART)算法 | 第35-37页 |
| 4.3 随机森林算法 | 第37-40页 |
| 4.3.1 随机森林算法的发展史 | 第37页 |
| 4.3.2 随机森林的概述 | 第37页 |
| 4.3.3 随机森林的算法流程 | 第37-38页 |
| 4.3.4 随机森林算法的随机性说明 | 第38-39页 |
| 4.3.5 随机森林算法的优缺点 | 第39-40页 |
| 第5章 实证分析 | 第40-53页 |
| 5.1 变量描述与模型假设 | 第40-42页 |
| 5.1.1 变量描述 | 第40-41页 |
| 5.1.2 模型假设 | 第41-42页 |
| 5.2 数据说明与数据处理 | 第42-46页 |
| 5.2.1 原始数据说明 | 第42页 |
| 5.2.2 数据处理 | 第42-46页 |
| 5.3 分类与回归树(CART)法预测索赔次数 | 第46-48页 |
| 5.3.1 特征空间 | 第46页 |
| 5.3.2 分类与回归树(CART)的剪枝 | 第46-47页 |
| 5.3.3 分类与回归树(CART)算法对索赔次数的预测分析 | 第47-48页 |
| 5.4 随机森林法预测索赔次数 | 第48-50页 |
| 5.4.1 随机森林算法的形成 | 第48页 |
| 5.4.2 随机森林算法对索赔次数的预测分析 | 第48-50页 |
| 5.5 CART算法与随机森林算法预测结果的对比分析 | 第50-51页 |
| 5.6 结论与展望 | 第51-53页 |
| 参考文献 | 第53-55页 |
| 后记 | 第55页 |