Mémoires d'Actuariat
Apport des méthodes d'apprentissage supervisé à la construction d'une table de maintien en incapacité temporaire de travail pour un groupe fermé de fonctionnaires
Auteur(s) LI S. L.
Société Fixage
Année 2025
Résumé
L’incapacité temporaire de travail doit être provisionnée en utilisant les lois de maintien appropriées. Quand la population couverte est significativement différente de celle de la table réglementaire, comme celle du portefeuille étudié (groupe fermé de fonctionnaires), le recours à une table d’expérience se révèle alors indispensable. Pour ce faire, les méthodes classiques telles que l’estimateur non paramétrique de Kaplan-Meier ont prouvé leur efficacité. Cependant, l’essor des algorithmes d’apprentissage supervisé apporte une alternative aux approches classiques. L’objet de ce mémoire est de comparer différentes méthodes statistiques, notamment par les algorithmes d’apprentissage supervisé, pour la construction de loi de maintien en incapacité temporaire de travail appliquée à un portefeuille spécifique. Les algorithmes appliqués dans ce mémoire sont l’arbre de survie, les forêts aléatoires de survie ainsi que le gradient boosting de survie. Leur point commun tient au prédicteur faible : un arbre. A partir d’un modèle dit simple qu’est l’arbre, il est théoriquement possible d’améliorer les performances de prédiction soit en moyennant les prédictions de différents arbres (les forêts de survie), soit en moyennant les prédictions corrigées de différents arbres (le gradient boosting de survie).
Abstract
Temporary disability must be provided for using the appropriate disability probability tables. When the population covered is significantly different from that of the regulatory probability table, such as that of the portfolio studied (a closed group of civil servants), the use of an experience table then proves essential. To do this, classic methods such as the non-parametric Kaplan-Meier estimator have proven their effectiveness. However, the rise of supervised learning algorithms provides an alternative to conventional approaches. The aim of this thesis is to compare different statistical methods, in particular supervised learning algorithms, for the construction of a disability probability table applied to a specific portfolio. The algorithms applied in this thesis are the survival tree, the survival random forests and the survival gradient boosting. What they have in common is the weak predictor : a tree. Starting with the simple tree model, it is theoretically possible to improve prediction performance either by averaging the predictions of different trees (survival forests), or by averaging the corrected predictions of different trees (survival gradient boosting).
Mémoire complet
Auteur(s) LI S. L.
Société Fixage
Année 2025
Résumé
L’incapacité temporaire de travail doit être provisionnée en utilisant les lois de maintien appropriées. Quand la population couverte est significativement différente de celle de la table réglementaire, comme celle du portefeuille étudié (groupe fermé de fonctionnaires), le recours à une table d’expérience se révèle alors indispensable. Pour ce faire, les méthodes classiques telles que l’estimateur non paramétrique de Kaplan-Meier ont prouvé leur efficacité. Cependant, l’essor des algorithmes d’apprentissage supervisé apporte une alternative aux approches classiques. L’objet de ce mémoire est de comparer différentes méthodes statistiques, notamment par les algorithmes d’apprentissage supervisé, pour la construction de loi de maintien en incapacité temporaire de travail appliquée à un portefeuille spécifique. Les algorithmes appliqués dans ce mémoire sont l’arbre de survie, les forêts aléatoires de survie ainsi que le gradient boosting de survie. Leur point commun tient au prédicteur faible : un arbre. A partir d’un modèle dit simple qu’est l’arbre, il est théoriquement possible d’améliorer les performances de prédiction soit en moyennant les prédictions de différents arbres (les forêts de survie), soit en moyennant les prédictions corrigées de différents arbres (le gradient boosting de survie).
Abstract
Temporary disability must be provided for using the appropriate disability probability tables. When the population covered is significantly different from that of the regulatory probability table, such as that of the portfolio studied (a closed group of civil servants), the use of an experience table then proves essential. To do this, classic methods such as the non-parametric Kaplan-Meier estimator have proven their effectiveness. However, the rise of supervised learning algorithms provides an alternative to conventional approaches. The aim of this thesis is to compare different statistical methods, in particular supervised learning algorithms, for the construction of a disability probability table applied to a specific portfolio. The algorithms applied in this thesis are the survival tree, the survival random forests and the survival gradient boosting. What they have in common is the weak predictor : a tree. Starting with the simple tree model, it is theoretically possible to improve prediction performance either by averaging the predictions of different trees (survival forests), or by averaging the corrected predictions of different trees (survival gradient boosting).
Mémoire complet
