欢迎来到预测分析（Predictive Analytics）的基础！

你好！在开始编写程序代码或为 Exam PA 构建复杂模型之前，你需要精确地厘清你所要解决的问题类型。将这一章节视为你的“蓝图规划阶段”。就像建筑师在动工前必须先有蓝图一样，精算师在定义问题特性之前，也不应贸然开始建模。

在本节中，我们将学习如何识别数据的本质、模型的目标以及我们面临的限制。如果其中一些术语对你来说很陌生，不用担心——我们会逐一为你拆解！


1. 问题的核心：监督式学习与非监督式学习

你需要问自己的第一个问题是：“我是否有一个具体的目标（Target）需要预测？”

监督式学习（Supervised Learning）

在监督式学习中，我们拥有一个“导师”（即目标变量）。我们为模型提供输入（特征，Features）以及已知的结果（标签，Label）。模型通过学习两者之间的关系，从而对新的、未见过的数据进行预测。

比喻：想象你在教导孩子辨识水果。你给他们看一个苹果并说：“这是苹果。”你给他们看一个橘子并说：“这是橘子。”这就是监督式学习，因为你提供了标签。

非监督式学习（Unsupervised Learning）

在非监督式学习中，没有目标变量。我们单纯是在数据本身中寻找模式（Patterns）或群组（Clusters）。

比喻：你给孩子一桶混在一起的积木，告诉他们：“把看起来相似的东西放在一起。”他们可能会根据颜色或形状将积木分组，而你并没有告诉他们每一组具体叫什么名称。

快速复习：大多数 Exam PA 的考题都属于监督式学习任务，因为身为精算师，我们通常需要预测具体的数值，例如索赔成本或保单失效情况。


2. 回归与分类（目标变量的类型）

一旦确定是在进行监督式学习，我们必须判断目标变量的类型。这是 Exam PA 中最重要的步骤之一！

回归（Regression，连续型目标）

当目标变量是数值且连续时，我们使用回归。如果你可以测量它，且它具有明确的顺序（例如金额或时间），那它很可能是一个回归问题。

范例：
- 预测保险索赔的美元金额。
- 估计处理一宗法律案件所需的时间。
- 计算业务组合的损失率（Loss Ratio）。

分类（Classification，类别型目标）

当目标变量属于离散类别（Discrete Category）时，我们使用分类。

范例：
- 客户会续保（Renew）还是失效（Lapse）？（二元分类：是/否）
- 索赔是欺诈（Fraudulent）还是合法（Legitimate）？
- 驾驶属于哪一个“风险等级”：低、中或高？（多类别分类）

你知道吗？有时候界限可能较为模糊。例如，你可以将“年龄”视为连续数值（回归），也可以将其分组为“年龄区间”，如 18-25 岁、26-40 岁等（分类）。具体选择取决于你的商业目标！


3. 预测与解释：两者之间的取舍（The Great Trade-off）

在定义预测模型问题时，你必须决定什么更重要：准确性（Accuracy）还是可解释性（Understanding/Interpretability）。

预测目标（“黑盒”模型）

有时候，我们只在乎得到尽可能准确的预测。如果一个模型能完美预测索赔成本，但我们并不完全了解它为什么做出这些选择，对于某些自动化系统来说，这或许是可以接受的。

解释目标（“白盒”模型）

身为精算师，我们经常需要向利害关系人或监管机构解释我们的结果。我们必须知道哪些特征（例如年龄或地点）正在驱动预测，以及影响程度有多大。简单的模型如广义线性模型（GLMs）非常适合解释；而复杂的模型如随机森林（Random Forests）通常在原始预测能力上较强，但却较难解释。

关键要点：在 Exam PA 考试中，你经常被要求平衡这两者。务必考量：如果是一个你无法解释的模型，监管机构是否会接受？


4. 数据结构：结构化与非结构化数据

在进行建模之前，你必须了解数据的“形状”。

结构化数据（Structured Data）

这是“经典”的数据格式。想象一个带有行与列的电子表格。每一行是一个观察值（Observation）（例如一位保单持有人），每一列是一个特征（Feature）（例如车龄）。

非结构化数据（Unstructured Data）

这包含索赔记录中的文字、车祸照片或客户服务通话的录音档等。虽然信息量大，但非结构化数据通常需要先转换为结构化格式，大多数预测模型才能使用它们。

记忆小技巧：记得结构化数据的 "ROC"：Rows（行/观察值）、Observations（观察值）、Columns（列/特征）。


5. 道德考量与数据隐私

这是 SOA 课程中的一个重要主题。并非所有数据在伦理上都是“公平”使用的，即使它能提高模型的准确性。

在定义问题时，你必须过滤掉受保护的特征（Protected Characteristics）。这些是基于法律或道德原因，不应被用于决策的变量，例如：

- 种族或族群
- 宗教
- 健康状况（在某些类型的保险中）
- 性别（取决于司法管辖区和产品）

常见错误：使用“代理变量（Proxy Variable）”。即使你移除了“种族”，但如果你使用了与特定种族高度相关的“邮递区号”，你的模型可能仍然存在偏见。这被称为间接歧视（Indirect Discrimination）。


问题定义总结清单

在进入下一章之前，请确保你能够回答任何场景下的以下问题：

1. 是否有目标？（监督式 vs. 非监督式）
2. 目标是什么类型？（回归/连续型 vs. 分类/类别型）
3. 优先考量为何？（准确性 vs. 可解释性）
4. 是否存在道德隐忧？（潜在偏见或受保护族群）

快速复习框：
- 回归：预测一个数值（例如 \( \hat{y} = \$1,250 \)）。
- 分类：预测一个标签（例如 \( \text{Result} = \text{'Lapse'} \)）。
- 监督式：我们拥有已知的结果来进行学习。
- 非监督式：我们正在寻找隐藏的结构。

如果现在觉得这些听起来还很理论化，别担心！在接下来的章节中，我们将开始接触实际数据，并学习如何为模型进行资料清理。你做得很好！