Prognoza Cen Ubezpieczeń
Przewidywanie kosztów ubezpieczeń zdrowotnych przy użyciu regresji
📋 Opis Projektu
Model regresji przewidujący roczne koszty ubezpieczenia zdrowotnego na podstawie charakterystyk ubezpieczonego: wiek, BMI, liczba dzieci, palenie, region.
🎯 Cel
Stworzenie modelu, który pomoże: - Firmom ubezpieczeniowym w pricing - Klientom w oszacowaniu przyszłych kosztów - Identyfikacji czynników ryzyka
� Zobacz projekt
-
Pełna analiza: preprocessing, modelowanie, tuning i ewaluacja wyników.
�📊 Dataset
Medical Cost Personal Dataset
Features: - Age - wiek ubezpieczonego - Sex - płeć - BMI - wskaźnik masy ciała - Children - liczba dzieci - Smoker - czy pali (yes/no) - Region - region zamieszkania (northeast, northwest, southeast, southwest)
Target: Charges (roczny koszt ubezpieczenia w USD)
🛠️ Technologie
- Python, Scikit-learn
- Pandas, NumPy
- Matplotlib, Seaborn
- Feature Engineering
- Regularization techniques
📈 Wyniki
Model: Gradient Boosting / Random Forest
Performance: - MAE: ~\(2,500 - RMSE: ~\)4,000 - R²: 0.85-0.90
Feature Importance: 1. Smoker 🚬 - zdecydowanie największy wpływ 2. Age - rośnie z wiekiem 3. BMI - wyższe BMI = wyższe koszty 4. Children - więcej dzieci = wyższe koszty 5. Region - różnice regionalne
💡 Key Insights
Smoking Effect
Palacze płacą średnio 3-4x więcej niż niepalący! - Non-smoker avg: $8,500/rok - Smoker avg: $32,000/rok
Age Factor
Koszt rośnie nieliniowo z wiekiem: - 18-25: ~\(3,000 - 40-50: ~\)10,000 - 60+: ~$20,000+
BMI Impact
Overweight (BMI > 30) zwiększa koszty o ~30%
🎨 Visualizations
- Scatter plots: Age vs Charges (colored by Smoker)
- Box plots: Smoker vs Non-smoker costs
- Heatmap: Feature correlations
- Distribution plots: Charges distribution
📸 Screenshots
Analiza danych
Eksploracyjna analiza danych - rozkłady i korelacje
Feature Importance
Wpływ poszczególnych cech na koszt ubezpieczenia
Predykcje modelu
Porównanie rzeczywistych i przewidywanych kosztów
🚀 Business Value
Dla firm ubezpieczeniowych: - Lepszy pricing - Risk assessment - Targeted wellness programs
Dla klientów: - Oszacowanie kosztów - Motywacja do zmiany stylu życia - Porównanie ofert
Status: ✅ Ukończony
Tech: Python, Scikit-learn
R²: 0.85-0.90