加载中...
本文提出一个三阶段(convex→intermediate→standard focal loss)训练框架,用凸近似作为warm-start以稳定优化,再过渡到非凸阶段提升少数类判别力,并结合部分SMOTE与LSTM序列模型在39,981条汽车保险理赔数据上验证:三阶段方案在F1与AUC上显著超过纯凸或纯非凸训练,同时通过SHAP提供可解释的特征归因(主要驱动变量为policy_state与age)
| Schedule | Loss | Accuracy | Precision | Recall | F1 | AUC |
|---|---|---|---|---|---|---|
| Convex Q = 0.1 | 0.069232 | 0.573024 | 0.668889 | 0.085478 | 0.144526 | 0.531695 |
| Three Stage | 0.022523 | 0.606905 | 0.587640 | 0.332631 | 0.414865 | 0.630347 |
| Nonconvex Q = 0.25 | 0.017794 | 0.559038 | 0.205000 | 0.029418 | 0.050840 | 0.586044 |
| Nonconvex α = 0.5 | 0.021273 | 0.568897 | 0.339423 | 0.161636 | 0.205153 | 0.580044 |
报告元数据与概览
逐节深度解读
图表与算法解析(逐一细致解读)
Algorithm 1(Convex focal loss with softplus logistic link)与 Algorithm 2(三阶段流程)
Figure 1(卡方 p 值热图)
VIF 与特征选择(Table1 与文本)
Figure 2(系统流程图)
实验设置(数据划分、重采样、超参)
Table 2(性能比较)与 Figure 3(ROC 曲线)
Figure 4(SHAP 特征重要性)
估值类(非适用)
风险因素评估(Model & Experimental Risks)
批判性视角与细微差别(审慎评估)
结论性综合(关键发现与建议)
附:被引用的重要图像(按原文路径)
总结性建议(面向作者/实践者)
(全文基于原文各处段落、图表与算法描述进行详尽拆解与客观评述,以上在引用原文内容或由原文直接推断的句子末均标注了对应页码以便溯源。)
2508.02283.pdf