Optimization of Actuarial Neural Networks with Response Surface Methodology
创建于 更新于
摘要
本文提出基于响应面方法学（RSM）的设计实验框架，对组合精算神经网络（CANN）超参数进行高效优化。通过因子设计和二阶回归模型精确拟合超参数空间，显著降低了计算资源消耗，实现了在少量实验次数下达到接近最优的模型表现。实验证明，当8个超参数全部调优时，最小的0.2458泊松离散偏差在288次试验后获得；而剔除2个不显著超参数时，仅用188次试验即达接近最优，效果损失极小，验证了简化模型优化路径的有效性。[page::0][page::4][page::5][page::7]
