Een dataset bevat verzekeringsclaims met record-ID's, een uiteindelijke uitkomst uit 200 categorieën en tijdstempels. Het doel is om enkele maanden vooruit te voorspellen hoeveel claims er maandelijks in elke categorie zullen voorkomen. Welk type model is geschikt?

Het doel is om maandelijkse aantallen claims per categorie te voorspellen, wat een klassiek tijdreeksvoorspellingsprobleem is. Een forecastingmodel is hiervoor het meest geschikt, omdat het patronen in historische tijdstempels en aantallen kan leren om toekomstige waarden te extrapoleren. Een supervised classificatiemodel zou de categorie van individuele claims voorspellen, niet de aantallen per categorie over tijd. Reinforcement learning is niet geschikt, omdat er geen sprake is van een agent die acties uitvoert in een omgeving om beloningen te maximaliseren; het is een pure voorspellingstaak. Een hybride model is onnodig complex en niet direct toepasbaar, aangezien alle categorieën historische gegevens hebben voor forecasting.