高级系统工程师工作内容描述：

● 索赔风险识别:成功利用线性回归、决策树算法、随机森林等多种模型识别客户违约风险较高的预测因素。

● 模型能够达到73%的准确率，使用boosting工具/库(用于可视化的R/Python和RShiny和tableu)可以提高到81 %。

● 索赔风险分析:(美国保险公司)

● 问题陈述:美国车辆数量的增加导致意外事故的增加。这导致被保险人的意外索赔金额显著增加。公司发现大量的索赔是不相关的，并努力为正确投保的车主提供正确的索赔付款。

● 可量化的结果:通过提供正确的索赔金额，客户满意度提高了14%。近似的根据上一季度的审查，批准虚假/不相关索赔的数量大幅减少了12%(QBR)。近似的客户保持率提高2-3 %。

● 使用的机器学习技术:分类、回归、随机森林模型分类器、XGBoost模型、统计模型/假设检验/ RFE特征选择过程/特征转换过程。