Sigorta talepleri veri kümesi, bir talep kimliği, nihai sonuç (200 kategoriden biri) ve sonuç tarihini içermektedir. Bazı kayıtlar eksiktir (tam set yerine yalnızca 3-4 olası sonucu listelerler). Her sonuç için yüzlerce kayıt vardır ve veriler son 3 yılı kapsamaktadır. Veri bilimci, her sonuç kategorisi için aylık talep sayısını birkaç ay önceden tahmin etmelidir. Bu gereksinimi en iyi karşılayan yaklaşım hangisidir?

Doğru cevap, bunu bir tahmin problemi olarak ele almaktır. Sorun, her sonuç kategorisi için gelecekteki aylık talep sayısını tahmin etmeyi gerektirir. Bu, zaman serisi verileri (son 3 yılın verileri) üzerinde gelecekteki sayısal değerleri öngörmeyi içeren tipik bir tahmin görevidir. Talep kimlikleri ve tarihler, zaman serisi modellemesi için gerekli bilgileri sağlar. Denetimli sınıflandırma yanlış bir yaklaşımdır çünkü hedef, her bir talebin hangi kategoriye ait olduğunu tahmin etmek değil, her kategori için aylık talep sayısını tahmin etmektir. Güçlendirmeli öğrenme, bu tür bir tahmin problemi için uygun değildir; genellikle bir ajanın belirli bir ortamda en uygun eylemleri öğrenmesi için kullanılır. Kısmi sonuç bilgisine sahip kayıtları sınıflandırmak ve diğerleri için tahmin yapmak, sorunun temel gereksinimini karşılamaz ve gereksiz karmaşıklık ekler; ana hedef, her kategori için aylık sayıları tahmin etmektir.