We apply machine learning algorithms used for cluster analysis and classification on an extensive data set provided by ERGO. We use the former algorithms to partition a portion of the data set in vehicle risk type classes and the latter algorithms to classify the remaining data and validate these classes. We then examine the resulting classes from the machine learning algorithms, where we determine K-Means++ for clustering and Nearest Neighbours for classification to be the best performing algorithms. We compare the risk type classes, we have created to the vehicle risk type classes designed by the Gesamtverband der Deutschen Versicherungswirtschaft, GDV, where we show the GDV’s classes are still superior due to the lack of credibility in the ERGO data set.     «

We apply machine learning algorithms used for cluster analysis and classification on an extensive data set provided by ERGO. We use the former algorithms to partition a portion of the data set in vehicle risk type classes and the latter algorithms to classify the remaining data and validate these classes. We then examine the resulting classes from the machine learning algorithms, where we determine K-Means++ for clustering and Nearest Neighbours for classification to be the best performing algor...     »

Wir verwenden Algorithmen aus Machine Learning zur Clusteranalyse und Klassifikation eines umfangreichen Datensatzes, der von ERGO zur Verfügung gestellt wird. Wir verwenden die erstgenannten Algorithmen, um einen Teil des Datensatzes in Fahrzeug RisikoTypklassen zu zerlegen, und die letztgenannten Algorithmen, um die übrigen Daten zu klassifizieren und diese Klassen zu validieren. Dann untersuchen wir die sich aus den Machine Learning Algorithmen ergebenden Klassen, wobei wir bestimmen, dass K-Means++ für die Clusteranalyse und Nearest Neighbours für die Klassifizierung die Algorithmen mit den besten Ergebnissen sind. Wir vergleichen die von uns erstellten Risiko-Typklassen mit den vom Gesamtverband der Deutschen Versicherungswirtschaft (GDV) entworfenen Fahrzeug-Risiko-Typklassen, wobei wir zeigen, dass die Klassen des GDVs aufgrund der mangelnden Glaubwürdigkeit des ERGO Datensatzes immer noch übergeordnet sind.     «

Wir verwenden Algorithmen aus Machine Learning zur Clusteranalyse und Klassifikation eines umfangreichen Datensatzes, der von ERGO zur Verfügung gestellt wird. Wir verwenden die erstgenannten Algorithmen, um einen Teil des Datensatzes in Fahrzeug RisikoTypklassen zu zerlegen, und die letztgenannten Algorithmen, um die übrigen Daten zu klassifizieren und diese Klassen zu validieren. Dann untersuchen wir die sich aus den Machine Learning Algorithmen ergebenden Klassen, wobei wir bestimmen, dass K-...     »