Un set di dati contiene richieste di risarcimento assicurativo con ID record, un risultato finale tra 200 categorie e timestamp. L'obiettivo è prevedere quante richieste si verificheranno in ciascuna categoria di mese in mese con qualche mese di anticipo. Quale tipo di modello è appropriato?

L'obiettivo è prevedere il numero di richieste per categoria su base mensile in anticipo, il che indica un problema di previsione di serie temporali. Un modello di previsione è progettato specificamente per questo tipo di compito, utilizzando dati storici (timestamp e conteggi) per estrapolare tendenze future. Un modello di classificazione supervisionato prevederebbe la categoria di una singola richiesta, non il conteggio aggregato di richieste per categoria nel tempo. Un agente di apprendimento per rinforzo non è adatto per la previsione di serie temporali in questo contesto; è più orientato a decisioni sequenziali in ambienti dinamici. Un modello ibrido non è necessario, poiché il problema è puramente di previsione basato su dati storici aggregati.