Un ensemble de données contient des réclamations d'assurance avec des identifiants d'enregistrement, un résultat final parmi 200 catégories et des horodatages. L'objectif est de prédire le nombre de réclamations qui surviendront dans chaque catégorie de mois en mois, quelques mois à l'avance. Quel type de modèle est approprié ?

La bonne réponse est un modèle de prévision utilisant les horodatages (et les décomptes) pour prédire le nombre de réclamations à attendre dans chaque catégorie chaque mois. L'objectif est de prédire des quantités futures (nombre de réclamations) sur une base mensuelle, ce qui est une tâche de prévision de séries chronologiques. Les horodatages sont essentiels pour établir la séquence temporelle, et les décomptes passés sont les données à prédire. Un modèle de classification supervisée est incorrect car il prédit une catégorie pour chaque réclamation individuelle, et non un décompte agrégé sur une période future. Un agent d'apprentissage par renforcement est inapproprié car il est utilisé pour des problèmes de prise de décision séquentielle dans un environnement dynamique, pas pour la prédiction de séries chronologiques. Un hybride est incorrect car la tâche principale est clairement une prévision de séries chronologiques pour toutes les catégories, et non une combinaison de classification et de prévision basée sur des informations partielles.