近年来,我国财险公司保费收入稳步提升,且国内非寿险市场70%以上都是车险业务,因此车险费率厘定的研究对于整个非寿险行业具有重要的理论及现实意义。索赔频率作为车险费率厘定的重要环节,在整个费率厘定过程中必不可少。而随着互联网、物联网的飞速发展,保险数据在快速膨胀,如何充分利用各种有效的工具从从海量的保险数据中挖掘出有价值的信息对于提升车险索赔频率预测准确性具有重要的价值意义。本文基于法国商业机动车第三者责任险保单索赔数据,选用机器学习算法中的神经网络算法、回归树算法与XGBoost算法对车险索赔频率问题进行研究,并以样本内外损失函数的最小化为标准,与传统的广义线性模型进行对比,从中选取相对较优的模型对测试集样本索赔频率进行预测。研究结果表明,经过严格参数调整的机器学习算法在处理具有大量数据的车险索赔频率预测问题上优势较为明显,体现在因变量和自变量不需要服从一定的分布假设、数据处理效率较高且在一定程度上可以提高保险损失预测的精度。但是同样存在的问题是,机器学习算法模型训练的过程需要耗费大量的时间,且建模过程中的人为干预较多,对使用者的编程能力要求较高,输出结果的可解释性不及广义线性模型,对于大多数使用者而言是黑盒状态。现有研究机器学习算法应用于车险业务的文章多以实现分类任务为主,较少涉及到用回归方法解决预测问题,且目前国内还没有将用于车险索赔频率预测问题的XGBoost算法与传统广义线性模型的泊松回归方法进行比较,此外国内外学者在预测车险索赔频率问题中也较少采用浅层神经网络算法。基于此,本文研究以回归为基础的机器学习算法,采用了浅层神经网络算法、回归树算法、XGBoost算法来研究车险索赔频率预测问题,具有学术意义的同时也具有重要的实践作用。学术方面,神经网络模型、回归树模型、XGBoost模型在处理无分布规律的数据上非常有优势,而在保险实务中由于数据量庞大,许多数据并没有良好的服从某一特定分布的特性,此时这几种算法就可以发挥他们的特长,为保险公司在数据处理方法选择上开辟新的路径,提高保险公司的风险管理水平。此外由于本文选取了多种机器学习算法进行研究,所以也扩大了车险实务中的算法选择范围,并通过基于样本内外损失的比较为车险索赔频率问题的算法应用作了尝试性研究,尝试打开算法黑盒的同时提供理论引导。本文结构如下:第一章为引言;第二章为模型理论;第三章为基于不同算法的索赔频率预测;第四章为结论与建议。在第一章引言中,简要说明了我国汽车保险的发展状况,机器学习的常见算法,总结了国内外机器学习算法赋能车险业务研究现状,根据我国车险业发展状况提出了使用机器学习算法预测车险索赔频率的可能性与必要性。在对国内外有关文献进行综述的基础上,简述了文章的研究方法与主要创新点。在第二章模型理论中,对本文使用的GLM模型、浅层神经网络模型、回归树模型、XGBoost模型进行详细理论拆解,其中涉及到神经元结构、浅层前馈神经网络、激活函数选取、决策树模型、回归树剪枝算法等内容,实现了对机器学习算法黑盒的部分透明化。在第三章基于不同算法的车险索赔频率预测当中,通过使用不同算法模型对索赔频率进行基于样本内外损失的拟合与预测,利用网格搜索法预先设定模型的局部最优参数,并通过对训练集不断训练以及对预测集进行交叉验证等方法来进行调参,以最终确定此种模型对于这一数据集来说选定的最优参数。然后以模型样本内外损失最小化为标准对四个模型的拟合与预测效果作比较,并从中选取最优的XGBoost模型对样本测试集数据作预测,并用RMSE计算其与真实值的平均误差,得到模型对测试数据具有较好的适应性。在第四章的结论与建议中,首先对本文研究的机器学习算法应用于车险索赔频率预测问题进行了总结,随后结合我国实际情况,从车险业务、保险公司、政策监管三个角度对提高保险公司应用机器学习算法能力、加快我国保险数字化转型提出尝试性建议。