Zbiór danych zawiera roszczenia ubezpieczeniowe z identyfikatorami rekordów, ostatecznym wynikiem z 200 kategorii oraz znacznikami czasu. Celem jest przewidzenie, ile roszczeń wystąpi w każdej kategorii z miesiąca na miesiąc z kilkumiesięcznym wyprzedzeniem. Jaki typ modelu jest odpowiedni?

Prawidłowa odpowiedź to model prognozowania, ponieważ celem jest przewidywanie liczby roszczeń w każdej kategorii w przyszłości, co jest klasycznym problemem szeregów czasowych. Dane zawierają znaczniki czasu i 200 kategorii, co wskazuje na potrzebę prognozowania dla wielu szeregów czasowych. Model prognozowania, taki jak ARIMA, Prophet czy modele oparte na uczeniu maszynowym (np. DeepAR), może wykorzystać historyczne dane czasowe do przewidywania przyszłych wartości. Nadzorowany model klasyfikacji jest nieodpowiedni, ponieważ przewiduje kategorię dla pojedynczego roszczenia, a nie liczbę roszczeń w kategorii. Agent uczenia ze wzmocnieniem jest przeznaczony do podejmowania decyzji w dynamicznym środowisku, a nie do prognozowania wartości liczbowych. Model hybrydowy jest zbyt złożony i niepotrzebny, ponieważ problem można rozwiązać za pomocą jednego, spójnego podejścia prognozowania.