Một công ty bảo hiểm y tế chỉ có thể có lãi nếu nó tạo ra nhiều doanh thu hơn chi cho việc chăm sóc y tế của người thụ hưởng. Mặt khác, mặc dù một số điều kiện phổ biến hơn đối với một số phân khúc dân số nhất định, chi phí y tế rất khó dự đoán vì hầu hết tiền đến từ các điều kiện hiếm gặp. Trường hợp sử dụng này cho thấy cách người ta có thể dự đoán chính xác chi phí chăm sóc y tế dựa trên từng cá nhân. Phân tích ví dụ có thể được tìm thấy ở đây.
Bộ dữ liệu chúng tôi có là danh sách các cá nhân có thông tin về tuổi, giới tính, BMI, số trẻ em, thói quen hút thuốc, khu vực và chi phí chăm sóc sức khỏe mà họ yêu cầu trong năm đó. Bảng 1 hiển thị một số hàng ví dụ từ tập dữ liệu.
Trước khi xây dựng mô hình, hãy thực hiện một số khám phá dữ liệu bằng cách sử dụng Phân tích tương quan của chúng tôi để xem xét mối tương quan giữa công cụ dự đoán và các biến còn lại.
Chọn Phân tích tương quan > Nhập nguồn dữ liệu của bạn
Sau khi nhấp vào nút Chạy, một loạt các ô được hiển thị cho người dùng. Biểu đồ đầu tiên cho chúng ta thấy mối tương quan của các biến đã chọn với các khoản phí được sắp xếp theo thứ tự giảm dần.
Các biểu đồ sau đây cho thấy phân phối các khoản phí được chia nhỏ theo từng biến được so sánh. Hình dưới đây cho thấy sự phân phối phí cho người hút thuốc và người không hút thuốc.
Biểu đồ này cho thấy một biểu đồ phân tán với tuổi và phí cho mỗi chiều. Đường màu xanh lá cây cho thấy mối tương quan tích cực giữa tuổi tác và chages.
Sau khi khám phá mối tương quan giữa các biến khác nhau, chúng tôi chuyển sang xây dựng một mô hình dự đoán để dự đoán chi phí cho từng khách hàng. Vì phí là một giá trị liên tục, chúng tôi chọn Hồi quy (so với Phân loại cho các giá trị phân loại) để xây dựng mô hình dự đoán cho nó. Sau khi chọn Hồi quy từ Chọn phân tích, chúng tôi đặt các khoản phí làm mục tiêu dự đoán, tuổi, BMI, trẻ em, khu vực, giới tính và người hút thuốc làm yếu tố dự đoán. Để tối ưu hóa độ chính xác, chúng tôi đặt Tối ưu hóa cho chất lượng và giới hạn thời gian đào tạo là 2 giờ.
Bây giờ hãy nhấp vào Chạy và đợi phân tích kết thúc. Khi hoàn thành, chúng ta sẽ thấy hiệu suất của mô hình được đào tạo và tầm quan trọng của các yếu tố dự đoán.
Hiệu suất cho thấy mô hình có khả năng dự đoán tích cực (R2 = 0,87). Trung bình, sự khác biệt giữa chi phí dự đoán và chi phí thực tế là $ 2,432.3 (Sai số tuyệt đối trung bình).
Bây giờ để sử dụng mô hình đã đào tạo với dữ liệu mới, chúng ta có thể chọn tab Mô hình trực tiếp, nơi bạn có thể tạo dự đoán bằng tập dữ liệu mới hoặc bạn có thể nhập tương tác các giá trị dự đoán vào biểu mẫu và tạo dự đoán nhanh chóng.
Bạn cũng có thể sử dụng API để tích hợp mô hình vào ứng dụng hiện có của mình (ứng dụng web, ứng dụng dành cho thiết bị di động, v.v.). Nhấp vào tab API trực tiếp và tất cả các chi tiết của API được hiển thị:
Để thực hiện lệnh gọi API, trước tiên bạn cần tạo mã thông báo API bằng cách làm theo hướng dẫn trên trang.
Ví dụ trên cho thấy làm thế nào người ta có thể xây dựng một mô hình dự đoán để dự đoán chi phí chăm sóc sức khỏe trong vòng một vài giờ. Nếu bạn muốn tìm hiểu thêm, hãy đặt cuộc gọi với chúng tôi để xem cuộc gọi có thể áp dụng cho dữ liệu và doanh nghiệp của bạn như thế nào.
