diff --git a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb index 00bf9db033152a991f4ea0dc3e87cb92921193d2..29ec33f8356b81ea7b95eee6d0b1dd52535c9d73 100644 --- a/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb +++ b/Insurance/Prediction Interest for car insurance/neues_notebook.ipynb @@ -9,8 +9,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# Prediction Interest for car insurance" @@ -25,8 +24,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. \n", @@ -47,8 +45,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# 1. Business Understanding" @@ -64,8 +61,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "InsurTech-Unternehmen beschäftigen sich mit dem\n", @@ -87,8 +83,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# 2. Daten und Datenverständnis" @@ -104,8 +99,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "Der Datensatz heißt Janatahack Cross-sell Prediction und wurde in einen Trainings- und einen Testdatensatz aufgeteilt. Das Attribut \"Response\" ist die Zielvariable und drückt das Interesse eines Kunden an einer Kfz-Versicherung aus. Da diese wichtige Spalte jedoch merkwürdigerweise im Testdatensatz fehlt, wurde nur der Trainingsdatensatz für das Modell verwendet. Dieser wurde also für Training und Test verwendet. Der Datensatz besteht aus 12 Spalten und 381109 Zeilen. Jede Zeile steht für eine Person." @@ -624,8 +618,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# Evaluation" @@ -640,8 +633,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "Für die Modellierung wurde die Logistische Regression gewählt, da keine Linearität in den Daten festgestellt wurde. \n", @@ -5015,8 +5007,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# Datenmodell" @@ -5031,8 +5022,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "Die Logistische Regression wurde gewählt, um Kundeninteressen vorherzusagen, da keine linearen Beziehungen zwischen den Variablen festgestellt wurden. \n", @@ -5048,8 +5038,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "# Umsetzung" @@ -5064,8 +5053,7 @@ "slideshow": { "slide_type": "" }, - "tags": [ - ] + "tags": [] }, "source": [ "Die Zielgruppe für diese Lösung sind Versicherungsunternehmen, die durch die Implementierung dieser Vorhersagemodelle erhebliche Vorteile erwarten können. \n", @@ -5083,8 +5071,7 @@ }, "tags": [] }, - "source": [ - ] + "source": [] }, { "cell_type": "markdown", @@ -5096,14 +5083,17 @@ }, "tags": [] }, - "source": [ - "" - ] + "source": [] } ], - "metadata": { + "metadata": { + "title": "Vorhersage für das Interesse an Auto Versicherungen", + "teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen.", "branche": "Finanzwirtschaft", - "funktion" : "Marketing", + "funktion": "Marketing", + "dataSource": "https://www.kaggle.com/datasets/jassican/janatahack-crosssell-prediction", + "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Insurance/Prediction%20Interest%20for%20car%20insurance/neues_notebook.ipynb?ref_type=heads", + "skipNotebookInDeployment": false, "kernelspec": { "display_name": "Python 3 (ipykernel)", "language": "python", @@ -5119,13 +5109,8 @@ "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", - "version": "3.10.11" - }, - "repoLink": "https://gitlab.reutlingen-university.de/ki_lab/machine-learning-services/-/blob/main/Insurance/Prediction%20Interest%20for%20car%20insurance/neues_notebook.ipynb?ref_type=heads", - "dataSource": "https://www.kaggle.com/datasets/jassican/janatahack-crosssell-prediction", - "skipNotebookInDeployment": false, - "title": "Vorhersage für das Interesse an Auto Versicherungen", - "Teaser": "Ein bedeutendes Ziel für jedes Unternehmen ist die Umsatzsteigerung, Kostensenkung und Verbesserung der Kundenzufriedenheit. Problematisch ist dabei oft die Identifikation potenzieller Interessenten für spezifische Produkte wie KFZ-Versicherungen. Dieses Machine Learning Modell nutzt Kundendaten und Algorithmen, um die Wahrscheinlichkeit des Interesses präzise zu berechnen." + "version": "3.11.3" + } }, "nbformat": 4, "nbformat_minor": 4