Apprentissage supervisé

En 2018, Alexander Noll, Robert Salzmann et Mario Wüthrich publient une étude de cas sur un portefeuille français de responsabilité civile automobile d'environ 678 000 contrats, librement diffusé sous le nom freMTPL2freq. Ils y comparent un modèle linéaire généralisé, des arbres de régression, du gradient boosting et un réseau de neurones pour prédire le nombre de sinistres. Tous relèvent de l'apprentissage supervisé. Le terme désigne l'entraînement d'un modèle sur des exemples dont on connaît déjà la réponse, l'étiquette : pour chaque contrat passé, ses caractéristiques et le nombre de sinistres observé ; pour chaque dossier, sa nature frauduleuse ou non. Le modèle apprend la relation entre les variables et la cible, puis l'applique à des cas nouveaux. Quand la cible est un nombre, fréquence ou coût moyen, on parle de régression ; quand c'est une catégorie, de classification. L'actuariat en fait depuis longtemps sans employer le mot, puisqu'un modèle linéaire généralisé de fréquence est un modèle supervisé. Les méthodes récentes apportent la capacité de capter des interactions que l'actuaire n'avait pas spécifiées, au prix de l'explicabilité. En fraude, la méthode bute sur ses étiquettes. On ne connaît que la fraude détectée, et un dossier jamais contrôlé entre dans la base comme honnête. Le modèle apprend donc ce que les enquêteurs savaient déjà repérer et reproduit leurs angles morts avec une précision flatteuse sur l'échantillon de test. Les équipes corrigent en partie par des contrôles tirés au hasard, qui fournissent des étiquettes non biaisées sur un petit échantillon, ou en combinant le supervisé avec l'apprentissage non supervisé, qui cherche l'inhabituel sans étiquette. Un AUC élevé mesuré sur des étiquettes biaisées ne dit rien de la fraude que personne n'a cherchée.