UNIVERSIDAD COMPLUTENSE DE MADRID
FACULTAD DE INFORM´
ATICA
Desa ollo de un sis ema de p edicci´
on de iesgo en
segu os de au om´
o iles median e ´
ecnicas de
in eligencia a i icial
Au o es: D´
amaso S´
anchez A enas y Edua do Rod ´
ıguez De Cas o
Zalo˜
na.
Tu o es: Jos´
e Ignacio Hidalgo P´
e ez y ´
Osca Ga nica Alc´
aza .
TRABAJO FIN DE GRADO
G ado en Ingenie ´
ıa In o m´
a ica
1
Ag adecimien os
En p ime luga , ag adece a nues os di ec o es de p oyec o Jos´e Ignacio y ´
Osca , po da nos la
opo unidad de ealiza el p oyec o con ellos y pode o ece nos conocimien o en un mundo que es
an complejo y es a an en auge como es la in eligencia a i icial. Po habe es ado con inuamen e
disponibles pa a posibles dudas y po es a siemp e a nues a disposici´on. Fue a de lo acad´emico,
ag adece el a o ecibido el cual ha sido ejempla y en muchas ocasiones nos ha se ido como un
g an impulso de mo i aci´on.
Tambi´en ag adece a la uni e sidad, po habe nos acili ado odas sus ins alaciones a lo la go
de es os a˜nos y po habe nos ayudado en odo lo que ha es ado a su alcance.
Po o o lado, da las g acias an o a amilia es como amigos que nos han es ado ayudando
du an e un a˜no complicado pa a noso os y que han sido capaces de anima nos a que sigamos
adelan e a pesa de los momen os du os.
2
Resumen
Es e abajo de in de g ado consis e en el desa ollo de una he amien a pa a calcula median e
´ecnicas de in eligencia a i icial el iesgo que ienen nue os clien es de su i un acciden e en sus
eh´ıculos. P incipalmen e, es a aplicaci´on in o m´a ica es una ayuda a las asegu ado as pa a in en-
a ajus a lo m´aximo posible los p ecios de los segu os. Las ´ecnicas u ilizadas en es e p oyec o
han sido las edes neu onales y el Random o es . Todo el p oyec o ha sido implemen ado en Py -
hon, an o la pa e de la in e az g ´a ica, con la que conseguimos que el so wa e enga una isi´on
sencilla y amena, como la pa e donde se ealizan p edicciones. El so wa e puede se usado po
dos dis in os pe iles. Un pe il ´ecnico pa a pe sonas expe as en es a ´a ea en el que pueden c ea
su p opio modelo de p edicci´on usando las ca ac e ´ıs icas (Fea u es) que c ean m´as opo unas y
un pe il uncional pa a usua ios que no ienen an o conocimien o ace ca de es as ecnolog´ıas.
Pod ´an ca ga un modelo ya c eado y p edeci en base a ´el. En es e p oyec o, se ha conseguido
ene un p oduc o con una in e az que cumple pe ec amen e con las uncionalidades del so wa e
y en la pa e del uncionamien o, iene la capacidad de p edeci iesgos g acias a las ´ecnicas de
in eligencia a i icial mencionadas an e io men e.
Palab as cla e: So wa e, in eligencia A i icial, iesgo, edes neu onales, Random o es , Py -
hon, p edicciones.
3
Abs ac
This pape is aimed a he de elopmen o a ool ha , h ough A i icial In elligence, calcula-
es new clien s’ isk o su e ing a ehicle acciden . The objec i e o his so wa e applica ion is o
suppo insu ance companies in adjus ing p ices. Fo his p ojec , neu onal ne wo ks and Random
Fo es echniques ha e been used. The whole p ojec has been implemen ed in Py hon, he g aphic
in e ace, which allows a pleasan and simple usage o he applica ion, and he p edic o . So wa e
is de eloped wi h wo di e en use p o iles in mind; a echnical p o ile, o expe s in his a ea
who wish o c ea e hei own p edic ion model using hose Fea u es hey conside he mos app o-
p ia e, and a unc ional p o ile o use s who don’ ha e a g ea knowledge on hese echnologies
which will allow hem o upload an al eady exis en model and ob ain p edic ions based on i . In
his p ojec , a p oduc wi h an in e ace ha pe ec ly ul ils he so wa e unc ionali ies has been
achie ed. Mo eo e , wi hin he ope a ional pa o he p ojec , he so wa e has he capaci y o
p edic ing isks h ough A i icial In elligence echniques.
Keywo ds: So wa e, A i icial In elligence, isk, neu onal ne wo ks, Random o es , Py hon,
p edic ions.
´
Indice gene al
1. In oducci´on 5
1.1. Desc ipci´on del p oblema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Ideadelp oyec o..................................... 5
1.3. Conclusi´on ........................................ 6
2. Plani icaci´on del abajo 7
3. Tecnolog´ıas u ilizadas 9
3.1. En o noWindows .................................... 9
3.2. Py hon .......................................... 9
4. F on -end de la aplicaci´on 12
4.1. Funcionalidad....................................... 15
4.2. C eaci´ondelmodelo ................................... 18
4.3. Ca gadelmodelo..................................... 21
4.4. Solici a Riesgo...................................... 23
5. Back-end de la aplicaci´on 27
5.1. RedesNeu onales..................................... 27
5.2. Random o es ...................................... 29
5.3. Nues aaplicaci´on .................................... 31
5.3.1. Lec u a, limpieza y a amien o de da os . . . . . . . . . . . . . . . . . . . 31
5.3.2. Clasi icado es................................... 35
6. An´alisis de los esul ados 39
7. Conclusiones 47
7.1. U ilidad .......................................... 47
7.2. Fu u asVe siones..................................... 47
7.3. Valo aci´ondelp oyec o ................................. 48
8. In oduc ion 49
8.1. Desc ip ion o he p oblem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
8.2. Ideao hep ojec .................................... 49
8.3. Conclusion ........................................ 50
9. Wo k Planning 51
10.Conclusions 52
10.1.U ili y........................................... 52
10.2.Fu u eVe sions...................................... 52
10.3.Assessmen o heP ojec ................................ 53
11.Con ibuci´on de cada miemb o 54
Bibliog a ´ıa 56
4

Cap´ı ulo 1
In oducci´on
1.1. Desc ipci´on del p oblema
Hoy en d´ıa, en el mundo de las asegu ado as, el p ecio de los segu os es ´a basado en el an´alisis de
los ac ua ios, lo cual en muchas ocasiones es muy cos oso. Aunque pa ezca i eal, pese a odas las
ecnolog´ıas que enemos, no se u ilizan ´ecnicas in o m´a icas a anzadas pa a ayuda en es e an´alisis.
Pa a hace nos una idea, ac ualmen e el p ecio de un segu o se calcula en base a la es ad´ıs ica
de dos a iables i ales: la p obabilidad de que ocu a un imp e is o y el cos e medio que supond ´a
soluciona lo. [1]
El enca gado de ealiza es os c´alculos es el denominado “Ac ua io”. Como sabemos, no es ´acil
calcula la p obabilidad de que ocu a un imp e is o y es po ello que muchas eces los segu os se
basan en un pe il de clien e muy gen´e ico en ez de indi idualiza con el clien e conc e o que an
a a a .
Po o o lado, como bien sabemos, hoy en d´ıa, es ´a o almen e en auge las ´ecnicas elacionadas
con la in eligencia a i icial como el machine lea ning, edes neu onales, e c. Es o es debido a que
se es ´an consiguiendo esul ados muy posi i os en di e sas p oblem´a icas.
Pese a que muchas de las ´ecnicas u ilizadas lle an exis iendo mucho iempo, es aho a, cuando
se es ´an aplicando en p oblemas eales. Es o es as´ı debido al g an aumen o en la capacidad de
c´ompu o de las ´ul imas d´ecadas y a la acilidad que exis e a d´ıa de hoy en la escalabilidad de los
da os g acias an o a la nube como al big da a. Es undamen al ene en cuen a que la in eligencia
a i icial debe es a o almen e ligada a los da os y ice e sa.
Viendo es a ca encia, nues o obje i o es acili a el an´alisis de los ac ua ios con una aplicaci´on
in o m´a ica basada en ´ecnicas de in eligencia a i icial y que as´ı puedan adap a se de una mane a
mucho m´as espec´ı ica al clien e.
1.2. Idea del p oyec o
En es e p oyec o hemos ealizado una aplicaci´on in o m´a ica con el cual amos ayuda a las
compa˜n´ıas de segu o a p edeci de mane a m´as ´op ima y con muchas m´as ga an ´ıas el iesgo de
los clien es pa a que de es a mane a puedan es ipula los p ecios de sus a i as y as´ı sean m´as
ajus adas e indi idualizadas pa a cada uno de los clien es.
5
CAP´
ITULO 1. INTRODUCCI ´
ON 6
Pa a ello, nos hemos basado en dis in as ´ecnicas de in eligencia a i icial. Los da os u iliza-
dos pa a que nues os clasi icado es uncionen co ec amen e han sido acili ados po asegu ado as
eales en o ma o “Excell” y donde g acias a ellos, hemos conseguido una mues a su icien e pa a
ob ene un clasi icado .
Toda la aplicaci´on es ´a implemen ada en Py hon3 y desa ollada en el en o no de jupy e no-
ebook.
La p edicci´on es a ´a undamen ada en a ios modelos de clasi icaci´on:
1. Redes neu onales
2. Random o es
Las asegu ado as end ´an cie a libe ad a la ho a de con igu a el p og ama. De es a mane a,
pod ´an da p io idad a cie as ca ac e ´ıs icas que pa a ellos sean m´as impo an es. Las asegu ado as
pod ´an con igu a la aplicaci´on ´acilmen e g acias a nues a in e az, sin necesidad de en ende lo
que hace el p og ama en su in e io .
1.3. Conclusi´on
Como hemos comen ado, a las asegu ado as no les esul a nada sencillo calcula las a i as pa a
sus clien es, es o es debido a que las p edicciones del iesgo de sus clien es es ´an basadas en el
abajo de una pe sona en ez de en una aplicaci´on in o m´a ica.
C eemos que es una ca encia no hace uso de ninguna de la g an a iedad de ecnolog´ıas que hay
disponibles hoy en d´ıa.Po eso mismo, hemos is o una opo unidad pa a implemen a una he a-
mien a inno ado a, pa a pode ap ende sob e nue os lenguajes de p og amaci´on que no hab´ıamos
is o p e iamen e y pa a ap ende sob e un apasionan e mundo, la in eligencia a i icial.
Con nues o p oduc o in en a emos ayuda a las asegu ado as acili ando una aplicaci´on que
calcula dis in as p edicciones del iesgo de un clien e y de es a mane a, acili a el abajo a los
ac ua ios que pod ´an basa se en ello pa a es ablece un p ecio.
(Ve si´on inglesa de la in oducci´on en el cap´ı ulo 8)
Cap´ı ulo 2
Plani icaci´on del abajo
Con el in de consegui los obje i os, la plani icaci´on seguida ue la siguien e:
1. Es udio indi idual po pa e de los miemb os del equipo con el in de ene un conocimien o
global ace ca del machine lea ning y las ´ecnicas u ilizadas en es e abajo.
2. Pues a en com´un po pa e de los miemb os del equipo y oma de decisiones ace ca de las
ecnolog´ıas a usa jun o con los di ec o es del p oyec o.
3. Ins alaci´on y despliegue de la he amien a: Anaconda – Jupy e no ebook. (Pla a o ma de
abajo).
4. An´alisis del abajo global a ealiza y di isi´on del mismo pa a pode i aba c´andolo pas´o a
paso.
5. Dise˜no de los boce os iniciales ealizados po balsamiq pa a ene una isi´on inicial de la
in e az.
6. Es udio ace ca de Py hon ya que es el lenguaje p incipal del p og ama. P o undizando en las
´ecnicas de in eligencia a i icial que debemos u iliza pa a nues a aplicaci´on.
7. Es udio de las ca ac e ´ıs icas a usa en el modelo de da os pa a comenza la limpieza de
da os.
8. P og amaci´on de mane a indi idual con dos subobje i os p incipales:
a. In e az g ´a ica (F on -end)
b. Limpieza y a amien o de da os (Back-end)
9. Comienzo de c eaci´on de una ed neu onal b´asica con el in de p oba el a amien o de los
da os.
10. Uni´on de los subobje i os pa a consegui ene una p ime a aplicaci´on uncional con la que
ya se pueda comenza el es udio de los esul ados ob enidos.
11. Realizaci´on de p uebas con la ma iz de con usi´on de la ed neu onal pa a e alua el endi-
mien o.
12. Mejo a ace ca de la in e az pa a que sea lo m´as comple a y amena posible.
13. Es udio p o undo ace ca del clasi icado Random o es .
14. Implemen aci´on del es o de clasi icado es (Random o es ).
15. P uebas del Random o es y co ecci´on de e o es.
16. In eg aci´on del algo i mo Random o es en la aplicaci´on inal.
17. P uebas de uncionamien o de la aplicaci´on inal y co ecci´on de posibles allos.
7
CAP´
ITULO 2. PLANIFICACI ´
ON DEL TRABAJO 8
Cabe des aca que la ealizaci´on de la memo ia se ue haciendo de o ma pa alela al desa ollo
desc i o an e io men e.
Comen a ambi´en, que alguna de es as a eas se ealiza on de mane a com´un po el equipo, y
que o as, ue on abo dadas po un ´unico miemb o, seg´un lo aco dado en la plani icaci´on.
(Ve si´on inglesa en cap´ı ulo 9)
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 15
Una ez que ya en´ıamos cla a una p ime a idea de como que ´ıamos que queda a la in e az,
empezamos a implemen a la en el lenguaje Py hon. Pa a ello, usamos la biblio eca kin e la cual
nos ha dado mucha acilidad a la ho a de c ea nume osos widge s debido a la amplia in o maci´on
que hay ace ca de ella en In e ne .
En la siguien e secci´on, amos a ense˜na nues a in e az eal e i emos explicando como se ´ıa
una co ec a u ilizaci´on de nues a aplicaci´on.
4.1. Funcionalidad
Nues o aplicaci´on iene 3 unciones p incipales:
1. C eaci´on del modelo: Funcionalidad pensada pa a c ea un modelo con las ca ac e ´ıs icas
que el usua io c ea opo uno. Una ez c eado, el usua io pod ´a gua da aquellos modelos que
cumplan sus necesidades pa a pos e io men e usa los.
2. Ca ga del modelo: Funcionalidad pensada pa a ca ga un modelo ya c eado y gua dado. El
´ul imo modelo ca gado se ´a el que u ilicemos a la ho a de p edeci el iesgo de un nue o
clien e.
3. Solici a Riesgo: Funcionalidad pensada pa a calcula el iesgo de un nue o clien e. Es a
uncionalidad se basa ´a en el ´ul imo modelo ca gado po pa e del usua io. En caso de que
no se haya ca gado ning´un modelo con an e io idad no se pod ´a solici a iesgo pa a un nue o
clien e.
A con inuaci´on, en la igu a 4.1 podemos e nues a en ana de inicio. En ella, se pueden
e es bo ones los cuales cada uno de ellos inicia cada una de las uncionalidades mencionadas
an e io men e.
En es e caso, la uncionalidad de solici a iesgo es a deshabili ada ya que no exis e ning´un modelo
ca gado y po an o no se puede solici a el iesgo de un nue o clien e.

CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 16
Figu a 4.1: Ven ana de inicio.
En p ime luga , amos a explica el men´u que enemos desa ollado y el cual es a ´a ope a i o
con inuamen e en la pa e supe io de odas las en anas.
Figu a 4.2: Men´u de la aplicaci´on.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 17
Como podemos e en la igu a 4.2, nues o men´u cons a de es pa es, las cuales mos amos
a con inuaci´on.
Sali →Ven ana eme gen e que nos p egun a si deseamos sali . En caso a i ma i o, es a ´as
poniendo pun o y inal a la ejecuci´on de la aplicaci´on.
Figu a 4.3: Ven ana Eme gen e: Sali .
Ayuda →Ven ana eme gen e que in o ma que exis e una memo ia ace ca de la aplicaci´on
donde se puede consul a cualquie duda.
Figu a 4.4: Ven ana Eme gen e: Ayuda.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 18
Ace ca de →Ven ana eme gen e que in o ma sob e los c eado es de la aplicaci´on.
Figu a 4.5: Ven ana Eme gen e: Ace ca de.
Una ez is a la en ana inicial y el men´u amos a i ense˜nando cada una de las dis in as
uncionalidades de nues a aplicaci´on. Adem´as, i emos ense˜n´andolas en el o den l´ogico que se debe
segui a la ho a de usa la.
4.2. C eaci´on del modelo
Es a uncionalidad consis e en c ea un nue o modelo con las ca ac e ´ıs icas que el usua io
conside e opo unas.
Cuando que emos c ea un modelo, lo p ime o que debemos hace es selecciona los da os con
los que que emos en ena nues as ´ecnicas de in eligencia a i icial.
Figu a 4.6: Ven ana ca ga de da os.
Una ez que hemos seleccionado los da os a ca ga , la aplicaci´on nos p egun a ´a ace ca de las
ca ac e ´ıs icas que deseamos ene en cuen a pa a el modelo.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 19
Figu a 4.7: Ven ana pa a elegi las ca ac e ´ıs icas del modelo.
Po o o lado, pa a los pe iles mas expe os, nues a aplicaci´on pe mi e la con igu aci´on ma-
nual de algunos de los pa ´ame os undamen ales de una ed neu onal. Es deci , el usua io pod ´a
modi ica con acilidad an o el n´ume o de capas que desea en su ed neu onal como el n´ume o de
nodos en cada una de ellas.
En caso de que el usua io sea menos expe imen ado pod ´a ob ia es e apa ado y en onces la
ed neu onal coge ´a la con igu aci´on po de ec o, es capas de 100 nodos en cada una de ellas.
Figu a 4.8: Ven ana pa a modi ica los pa ´ame os de la ed neu onal.
Una ez elegidas an o las ca ac e ´ıs icas del modelo que deseamos como los pa ´ame os de la
ed neu onal, nos sald ´a una en ana de con i maci´on in o m´andonos ace ca de las ca ac e ´ıs icas
que end ´a el modelo. Si con i mamos con el bo ´on “C ea Modelo”, es a emos c eando nues o
nue o modelo.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 20
Figu a 4.9: Ven ana de con i maci´on.
Una ez seleccionado el bo ´on de c ea modelo, nos apa ece ´a una en ana donde apa ece ´an
los dis in os esul ados que han conseguido nues os clasi icado es.
Figu a 4.10: Ven ana de esul ados al c ea el modelo.
Si dichos esul ados no cumplen nues as necesidades, pod emos e ocede y c ea o o modelo
con ca ac e ´ıs icas di e en es. Es e p oceso debe hace se a ias eces has a consegui unos esul a-
dos que cuad en con el obje i o que se es ´a buscando.
En caso con a io, si los esul ados ob enidos cuad an con el obje i o, pod emos gua da el
modelo pa a en un momen o de e minado, ca ga el modelo y a ende a clien es con ´el.
Cuando gua damos el modelo, si odo ha ido bien, nos debe sali una en ana eme gen e in-
dic´andonos que la ope aci´on ha sido un ´exi o.

CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 21
Figu a 4.11: Ven ana eme gen e de ´exi o al gua da un modelo.
Al gua da el modelo, en la u a donde se es ´e ejecu ando el sc ip se nos gua da ´an los di e en es
modelos (uno po cada uno de los clasi icado es) y un a chi o . x donde pod emos comp oba la
in o maci´on que cons i uye dicho modelo. Dichos a chi os es a ´an da ados con el in de que sean
´aciles de encon a .
Figu a 4.12: A chi os gua dados.
T as odo es o, ya enemos un modelo o almen e c eado a gus o del usua io y lis o pa a se
ca gado po pa e de la aplicaci´on.
4.3. Ca ga del modelo
Cuando usamos la uncionalidad de ca ga el modelo, la aplicaci´on nos pedi ´a a ios a chi os,
uno po cada clasi icado (Se han gene ado al c ea modelo).
Si odo ha ido bien, nos apa ece ´a una en ana eme gen e in o m´andonos que se ha ca gado
co ec amen e.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 22
Figu a 4.13: Ven ana eme gen e de ´exi o al ca ga un modelo.
Al pulsa en la en ana eme gen e, nos lle a ´a a una nue a en ana donde podemos e los
esul ados ob enidos po pa e de los modelos ca gados.
Figu a 4.14: Ven ana donde se mues an los esul ados de un modelo ca gado.
Una ez que hemos ca gado un modelo, la aplicaci´on es ´a lis a pa a pode solici a el iesgo de
un nue o clien e. Po ello, en nues a en ana inicial se nos habili a ´a la uncionalidad de Solici a
iesgo a di e encia de como es aba en la igu a 4.1 al p incipio del odo.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 23
Figu a 4.15: Ven ana inicial con solici a iesgo habili ado.
Ademas, nues a aplicaci´on gene a un iche o . x con un his ´o ico de los modelos ca gados. De
es a mane a, podemos sabe cuando hemos ca gado cada uno de los modelos y la u a donde es ´an.
A con inuaci´on, en la igu a 4.16 mos amos el con enido que end ´ıa el log his ´o ico.
Figu a 4.16: Fiche o log his ´o ico de modelos ca gados.
4.4. Solici a Riesgo
Es a uncionalidad si e pa a gene a la p edicci´on del iesgo que end ´a un nue o clien e. Pa a
pode u iliza es a uncionalidad, debemos habe ca gado un modelo en alg´un momen o (Aunque
uese en o a sesi´on).
El ´ul imo modelo ca gado siemp e se ´a la base a la ho a de gene a las p edicciones pa a el
nue o clien e.
Si solici amos iesgo, lo p ime o que nos apa ece ´a es la en ana de la igu a 4.17, donde podemos
e el ´ul imo modelo ca gado y las ca ac e ´ıs icas del mismo.
CAP´
ITULO 4. FRONT-END DE LA APLICACI ´
ON 24
Figu a 4.17: Ven ana de in o maci´on al solici a iesgo.
En caso de que es e no sea el modelo deseado, podemos cambia lo de dos mane as dis in as:
bien ca gando o o modelo ya c eado o bien c eando uno nue o. En cambio, si nos gus a el modelo
y que emos u iliza lo pa a solici a el iesgo de un nue o clien e, el usua io debe ´a ellena un
o mula io con los da os del clien e.
Dicho o mula io cons a de dos pa es y p egun amos odo ipo de da os necesa ios pa a hace
una buena p edicci´on.
Figu a 4.18: Ven ana del o mula io(1aPa e).
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 31
5.3. Nues a aplicaci´on
En es ´a secci´on, amos a con a con m´aximo de alle como hemos implemen ado la pa e back-
end. Comenza emos explicando como hemos ealizado el a amien o inicial de los da os y inali-
za emos explicando la implemen aci´on p opia de los clasi icado es.
5.3.1. Lec u a, limpieza y a amien o de da os
An es de en a en la p opia ma e ia, amos a in en a deja cla o el concep o de da a ame
ya que a a se muy impo an e.
Da a F ame
Un da a ame, es el nomb e que la biblio eca panda ha dado a un ma co de da os. Es e ma co
de da os es una ma iz donde las ilas son los alo es de los da os y las columnas las dis in as
ca ac e ´ıs icas. Es e conjun o de da os se ´a la en ada de las dis in as ´ecnicas y las p edicciones
sald ´an en base a ´el.
Po ello, debe a a se co ec amen e pa a pode acili a el abajo lo m´aximo posible a las
dis in as ´ecnicas de p edicci´on.
Es as son las p incipales ope aciones de a amien o que hay ealiza pa a ene un buen da a
ame:
1. Limpieza de da os y ellenado de huecos. P epa amos los da os de mane a co ec a pa a
pode los a a .
2. C eaci´on y a amien o de ea u es (Ca ac e ´ıs icas) a pa i de los da os.
3. Eliminaci´on de ea u es no impo an es (Fea u es ex ac ion)
Es as ases, sin duda ha sido uno de los mayo es queb ade os de cabeza que hemos enido
con inuamen e a la ho a de ealiza el p oyec o.
Es a pa e del p oyec o es la que pos e io men e, cuando expliquemos los clasi icado es deno-
mina emos “p ep ocesado”. Es una pa e impo an ´ısima pa a cualquie so wa e de ap endizaje
au om´a ico ya que sin ella los da os no es a ´ıan bien a ados, y po an o, los clasi icado es jam´as
pod ´an unciona co ec amen e.
Sin mas dilaci´on, comenzamos a explica como lo hemos implemen ado:
Pa a la limpieza y el a amien o de da os p incipalmen e hemos usado la biblio eca po exce-
lencia pa a es e ipo de abajos como es Panda [4].
Lo p ime o que hay que ealiza , es ca ga el conjun o de da os que enemos. En nues o caso,
como ya dijimos al p incipio de es e documen o, los da os nos los die on en o ma o Excell. Po
ello, u ilizamos la siguien e unci´on de panda.
Figu a 5.3: Lec u a de da os.

CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 32
No malmen e los da os que se manejan en p oblemas eales no es ´an limpios y po ello, al igual
que u imos que hace noso os, es ecuen e ene que ellena con 0’s aquellos da os que ienen
con NULL o ac´ıos.
Figu a 5.4: Relleno de da os.
A la ho a de decidi que columnas se ´ıan las adecuadas y cu´ales son desp eciables pa a nues os
clasi icado es lo p ime o que hicimos ue jun a nos con los di ec o es del p oyec o y decidi lo. T as
a ias con e saciones, llegamos a la conclusi´on que cie as columnas no nos iban apo a nada
a la ho a de p edeci y es po ello que decidimos elimina las. Las columnas que conside amos
impo an es pa a p edeci es a ´an disponibles en la in e az y debe se el expe o quien debe c ea
los modelos en base a las que ´el desee.
Figu a 5.5: Eliminaci´on de columnas.
Los clasi icado es, no en ienden de le as sino que necesi an que el da a ame sea complemen e
num´e ico. Po ello, en a ias de las columnas es impo an e hace un hash pa a pasa de e minadas
cadenas a alo es num´e icos.
Podemos dis ingui dos g andes ipos de columnas (ca ac e ´ıs icas):
1. Columnas donde no exis e g an a iedad de alo es y se suelen epe i . Pa a ellas, nues a
mane a de ope a es hace un map y pasa cada cadena a un alo num´e ico.
2. Columnas donde exis e mul i ud de alo es. En es as columnas, nues a mane a de ope a es
hace un anking pa a coge los g upos de alo es que m´as se epi an y los que no se epi an
ag upa los en un g upo denominado “o os”.
Columnas sin a iedad
A con inuaci´on, mos amos un ejemplo de c´omo se ealiza es e hash. Lo que hacemos es cambia
de e minadas cadenas que se epi en a un n´ume o en e o.
En el ejemplo de la igu a 5.6 emos como ans o mamos la columna “Asis enciaViajeP e-
mium“ con el siguien e p ocedimien o: donde apa ezca “PagoAnual”pasa ´a a se un 1, mien as
que donde apa ezca “PagoSemes al”pasa ´a a se un 2.
Figu a 5.6: Cambio de cadena a alo num´e ico (Columnas sin a iedad).
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 33
Es e p oceso no solo se ha hecho con es a ca ac e ´ıs ica sino que ambi´en lo hemos enido que
u iliza con o as.
Columnas con a iedad
A con inuaci´on, amos a explica como hemos ealizado el mapeo en una ca ac e ´ıs ica donde
exis en mul i ud de alo es.
Pa a explica lo, nos basa emos en el mapeo que hemos ealizado a la ca ac e ´ıs ica “ma ca”.
Si bien es cie o que exis en muchos alo es de ma ca en el conjun o de da os, hay de e minadas
ma cas que se epi en ecuen emen e. Po ello, lo que hicimos ue selecciona aquellas ma cas que
se epe ´ıan ecuen emen e y asigna cada una de ellas a un n´ume o di e en e. Pa a el es o de
ma cas, las cuales sal´ıan en los da os de mane a muy pun ual las asignamos a un mismo n´ume o
a odas ellas. Es e n´ume o, se pod ´ıa iden i ica como un g upo denominado “o os”.
En el ejemplo de la igu a 5.7 podemos e como lo hemos implemen ado.
Figu a 5.7: Cambio de cadena a alo num´e ico (Columnas con a iedad).
Es e p oceso no solo se ha hecho con es a ca ac e ´ıs ica sino que ambi´en lo hemos u ilizado
con o as ca ac e ´ıs icas como son modelo de coche, co eo elec ´onico del clien e, e c.
Es os p ocesos es impo an e ene los cla os ya que hay que hace los epe idas eces pa a pode
o ece a los clasi icado es un da a ame o almen e num´e ico.
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 34
Pa a el a amien o de las columnas con echas como pueden se echa de nacimien o, echa
de ca ne de conduci , e c. lo que hacemos es queda nos solo con el a˜no ya que el mes y el d´ıa
conside amos que no es su icien emen e ele an e a la ho a de p edeci . Po ello, en las echas an
solo nos queda emos con el a˜no.
Figu a 5.8: T a amien o de echas.
Po ´ul imo, comen a que es muy ecomendable escala los da os [16] ya que es o puede hace
que se mejo en no ablemen e las p edicciones ya que es o hace que el conjun o de da os es ´en en un
mismo ango y de es a mane a los clasi icado es pod ´an asimila las semejanzas de mane a mucho
mas sencilla.
En el conjun o de da os que nos p opo ciona on hay una g an a iedad de ipos de da os con
di e sas magni udes. Despu´es de in o ma nos sob e el machine lea ning nos dimos cuen a que es
una p ´ac ica que se ecomienda epe idamen e po que puede ene un g an impac o en cie os
algo i mos.
El impac o se debe a que, como hemos comen ado, la g an a iedad de magni ud en las ca ac-
e ´ıs icas hace que el peso que ienen en el algo i mo puede se di e en e aunque en ealidad enga
que se el mismo.
Po ejemplo, si u i´e amos dos ca ac e ´ıs icas en las cuales se ep esen a el peso de obje os
y en una se ep esen a a en kilog amos y o a en g amos el algo i mo pod ´ıa asigna le un peso,
en el p edic o , mucho m´as g ande a mil g amos que a un kilog amo cuando el alo eal es el mismo.
En onces, lo que hace el escalado es uni ica odos los alo es pa a que no ocu an las si uacio-
nes como la que hemos pues o de ejemplo.
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 35
La mane a de escala un da a ame es la que se puede e en la igu a 5.9.
Figu a 5.9: Escala da os.
5.3.2. Clasi icado es
En es a secci´on, empeza emos con ando las dis in as ases po las que debe pasa cualquie
clasi icado y acaba emos con ando como hemos implemen ado los clasi icado es, en nues o caso:
Redes neu onales y Random o es .
Lo p ime o que debemos sabe es que los clasi icado es consis en en que dado unos pa ´ame-
os de en ada (el da a ame a ado), de uel en un esul ado o almen e p obabil´ıs ico. Pa a
ello, los algo i mos deben pasa po dis in as ases pa a in en a ga an iza la mayo e icacia posible.
El a amien o de es os clasi icado es cons a de 3 ases p incipales m´as una ase de p ep ocesa-
do. A con inuaci´on, las explicamos:
•P ep ocesado
Consis e en el a amien o del da a ame desc i o en la secci´on an e io . En nues o caso, u imos
que abaja mucho en es e apa ado ya que los da os que nos p opo ciona on no es aban como
necesi ´abamos.
•1oFase: En enamien o
En es a ase u iliza emos un 70 % de los da os ob enidos. En ella, en enamos el clasi icado pa a
que pueda ap ende a p edeci de mane a co ec a.
Es a ase cons a de dos p incipales pa es:
1. Con igu aci´on del clasi icado
2. Ob enci´on del modelo
Los esul ados ob enidos en es a ase end ´an una p obabilidad de se co ec a pseudoalea o ia.
Debemos ene en cuen a que soluciones e ´oneas ambi´en apo a an in o maci´on ´u il.
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 36
•2oFase: Validaci´on
En es a ase u iliza emos un 15 % de los da os ob enidos. Seleccionamos de ellos cual a a se la
´ac ica a u iliza pa a que el clasi icado uncione de la mejo mane a posible.
•3oFase: Tes
En es a ase u iliza emos el 15 % de los da os que nos al aban po u iliza . En es e momen o lo
que hacemos es pone a p ueba nues o clasi icado pa a e si p edice de mane a co ec a.
A con inuaci´on, exponemos como hemos implemen ado cada uno de los clasi icado es:
Red neu onal
Pa a implemen a la ed neu onal hemos u ilizado la biblio eca de Py hon sklea n la cual es la
biblio eca po excelencia pa a la mayo ´ıa de los expe os.
Lo p ime o que enemos que ene cla o es sabe que columna que emos p edeci . En nues o
caso, se a a de la columna “sinies o”.
Figu a 5.10: Columna a p edeci .
Al p edeci es a columna, pod emos sabe los po cen ajes que iene un nue o clien e en cada
de uno de los siguien es alo es:
Sin Sinies o
Reclamaci´on
Culpa
Pa a un uso co ec o de la ed neu onal, lo p ime o que debemos hace es epa i sus da os
pa a las dis in as ases (en ena , es ) como hemos explicado an e io men e. En nues o caso,
amos a u iliza un 30 % de los da os pa a el es pe o es o puede a ia . Pa a e como se hace
es a di isi´on debemos e el ejemplo de la igu a 5.11
Figu a 5.11: Di isi´on de los da os.
Una ez que ya hemos epa ido el conjun o de da os, debemos c ea y en ena nues o clasi-
icado . En p ime luga , nos c eamos el ipo de clasi icado que que emos. En es e caso, una ed
neu onal, pa a ello debemos in oca al m´e odo MLPClassi ie () [10].

CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 37
Pos e io men e con el m´e odo i () [17] en enamos nues a ed pa a que sea capaz de p edeci
con buenos esul ados.
Figu a 5.12: En enamien o de la ed neu onal.
Pa a sabe que p ecisi´on nos p opo ciona nues a ed neu onal, es deci , pa a sabe que po -
cen aje de acie o iene nues a ed debemos llama al m´e odo sco e() de la biblio eca sklea n.
Es muy com´un mi a la p ecisi´on que ha enido nues a ed neu onal an o a la ho a del es
(da os desconocidos) como a la ho a del en enamien o (da os conocidos). En la igu a 5.13 podemos
e como se implemen a.
Figu a 5.13: P ecisiones de es y de en enamien o.
Sin duda, el po cen aje que m´as nos debe in lui a la ho a de e si la ed neu onal es a en e-
nada co ec amen e y e si p edice bien es la p ecisi´on del es ya que es la que e al´ua si la ed
neu onal se adap a bien a nue os da os.
A eces, una ed neu onal p edice muy bien pa a los da os de en enamien o pe o en cambio,
pa a da os nue os p edice mucho peo . Es e p oblema ocu e cuando se ha p oducido un sob e-
ajus e y se debe soluciona .
Po ul imo, lo que debemos hace es llama al m´e odo de sklea n p edic (). Es e m´e odo se ´a
el que nos p opo cione la in o maci´on que es amos buscando, es deci , los po cen ajes de cada uno
de los alo es posibles de la columna a p edeci .
Figu a 5.14: M´e odo pa a p edeci .
Es muy ´u il, pa a comp oba los esul ados, analiza los y pode hace p uebas ene en cuen a la
ma iz de con usi´on [15], la cual nos da in o maci´on pa a e que al unciona nues o clasi icado .
Pa a e como se implemen a una ma iz de con usi´on debemos e la igu a 5.15.
Figu a 5.15: Ma iz de con usi´on.
CAP´
ITULO 5. BACK-END DE LA APLICACI ´
ON 38
Cabe des aca , que una ed neu onal no es algo ´apido de implemen a ya que exis en di e sos
pa ´ame os de la ed como son el nume o de capas, algo i mo que usa, e c. que hay que i a iando
e i p obando has a encon a el mejo uncionamien o de la misma.
Random o es
El clasi icado Random o es se c ea de mane a muy pa ecida al p oceso de c eaci´on de la ed
neu onal y se debe pasa po los mismos pasos mencionados en la secci´on an e io .
Lo ´unico que a ´ıa en es e caso es el ipo de clasi icado a c ea . Mien as que en la secci´on
an e io c e´abamos una ed neu onal, aho a debemos c ea un clasi icado Random o es . Pa a
ello, debemos implemen a lo como indica la igu a 5.16
Figu a 5.16: C eaci´on Random o es .
Es o no signi ica que con sabe un clasi icado ya no necesi es o ma e en los dem´as ya que
la di icul ad de es os clasi icado es eside en la con igu aci´on de los mismos la cual es o almen e
independien e.
Cap´ı ulo 6
An´alisis de los esul ados
A se since os, lo cie o es que no hemos conseguido los esul ados espe ados pa a nues os
clasi icado es.
Las posibilidades que hemos pensado que ocasionan una mala p edicci´on de nues os clasi ica-
do es son las siguien es:
La mues a de da os es insu icien e.
Los da os no ienen su icien e co elaci´on pa a que el clasi icado saque conclusiones.
Nues o an´alisis de los da os y/o La pa ame izaci´on de los clasi icado es no ha sido del odo
co ec a.
Pa a e si ealmen e es culpa nues a o son los da os de en ada, amos a ealiza unas p uebas
donde amos a p edeci con un conjun o de da os sin ´e icos po noso os mismos. Adem´as, es os
da os se ´an mucho m´as sencillos y solo di e encia emos si el clien e end ´ıa acciden e o no.
Ejecuci´on de las p uebas con da os sin ´e icos
Es as p uebas han sido implemen adas con una ed neu onal de diez capas y con cien nodos
po cada una de ellas y po el clasi icado Random o es .
Se ha c eado un conjun o de da os de mil indi iduos. La mane a de ope a se ´a empeza con
pocas columnas e i a˜nadiendo poco a poco pa a pode obse a que cambios a su iendo la p e-
dicci´on.
A la ho a de en ena los clasi icado es, lo ha emos de dos o mas:
1. Con da os sin escala : Los da os no su en ning´un cambio a los eales.
2. Con da os escalados: Los da os su en una ans o maci´on pa a que odos es ´en en un mismo
ango de alo es. Es una p ´ac ica que se ecomienda y que suele mejo a el endimien o del
clasi icado . En nues o caso eal no hab´ıa mucha mejo a, pe o pod emos obse a que si es
bene icioso pa a nues os da os.
De los mil indi iduos que hemos c eado, ha emos el siguien e epa o:
500 indi iduos end ´an en e 25 y 28 a˜nos con un coche de 20.000 a 30.000 kW de po encia.
Todos ellos, di emos que end ´an acciden e.
500 indi iduos end ´an en e 35 y 70 a˜nos con un coche de 500 a 10.000 kW de po encia.
Ninguno de es os indi iduos su i ´a un acciden e.
39
CAP´
ITULO 6. AN ´
ALISIS DE LOS RESULTADOS 40
Es os da os se ´an cons an es a lo la go de las p uebas e i emos a˜nadiendo m´as columnas seg´un
ayamos a anzando siemp e y cuando ayan uncionando co ec amen e.
Las columnas que ayamos a˜nadiendo se ´a pa a complica la p edicci´on ya que los da os se ´an
m´as alea o ios y end ´an menos elaci´on.
P uebas Red neu onal
A con inuaci´on, mos a emos los esul ados ob enidos en cada una de las p uebas:
•P ueba 1
Tan solo usamos las dos columnas explicadas an e io men e.
Figu a 6.1: P ime a p ueba (RN) con los da os sin escala .
Como podemos e en la igu a 6.1 los esul ados son casi pe ec os y an solo hay 11 indi iduos
que nues a ed neu onal p edice mal.
Cap´ı ulo 7
Conclusiones
7.1. U ilidad
Hoy en d´ıa, sea cual sea la emp esa y sea cual sea el ´ambi o, si quie e es a ac ualizada y quie e
se una emp esa pun e a necesi a ene aplicadas ´ecnicas a anzadas in o m´a icas.
La in eligencia a i icial, hoy en d´ıa es ´a o almen e me ida en el me cado y es ´a en pleno auge.
Muchas de las mayo es emp esas del mundo ya es ´an in i iendo mucho dine o y iempo en ealiza
p oyec os con ´ecnicas como las usadas en es a aplicaci´on. Po lo que, pod ´ıamos deci que es e
abajo de in de g ado pod ´ıa se un p oyec o o almen e eal.
Adem´as, en el mundo de los segu os con la can idad de asegu ado as y de da os sob e los
clien es que ienen, conside amos que se pueden hace g andes p edicciones muy po en es y que
pod ´ıa hace que las emp esas aho a an mucho dine o. Po ello, pensamos que hemos ealizado
un p oduc o que pod ´ıa se muy ´u il.
Hay que ene en cuen a, que nues o p oduc o no solo puede se ´u il en asegu ado as, sino
que la idea base del p oyec o, cambiando cie as p opiedades p opias de es e p oyec o, se pod ´ıa
ex ende en cualquie o o ´ambi o, eniendo as´ı una idea de p oduc o bas an e po en e.
Haciendo e e encia al ´ambi o de las asegu ado as, pensamos que hemos acili ado mucho el
papel del ac ua io, y no solo lo hemos acili ado, sino que c eemos que de es a mane a es a emos
ajus ando mucho m´as el iesgo que iene un clien e ya que enemos en cuen a ac o es que no se
pod ´ıan ene en cuen a sino se es u ie an u ilizando es as ´ecnicas.
7.2. Fu u as Ve siones
En nues o p oyec o, al se un mundo an amplio se pod ´ıan hace nume osas e siones u u-
as que no hemos conseguido implemen a las o bien po mo i os ´ecnicos o bien po al a de iempo.
A con inuaci´on, hacemos un desglose de posibles mejo as u u as:
1. Inclui una in e az m´as so is icada y elabo ada.
2. Mos a di ec amen e cual debe ´ıa se el p ecio del segu o del clien e.
3. Da opciones pa a que el usua io pueda e la in e az en o os idiomas.
4. Ob ene da os de los posibles clien es a a ´es de sus edes sociales.
5. Mos a adem´as del iesgo ac ual que iene un clien e, cu´al se ´a la e oluci´on de un clien e a
lo la go de los a˜nos.
47

CAP´
ITULO 7. CONCLUSIONES 48
6. Mos a g ´a icas y un es udio de las p edicciones.
Es as ideas son solo algunas de ellas, pe o como hemos dicho an e io men e se pod ´ıan hace
mul i ud.
7.3. Valo aci´on del p oyec o
Pa a noso os, es e p oyec o ha sido un g an e o el cual pensamos que hemos conseguido su-
pe a .
Decimos que ha sido un g an e o, ya que se basaba en una ecnolog´ıa que nunca hab´ıamos
u ilizado como es Py hon. Lo cie o es que el p oblema no lo u imos a la ho a de comp ende el
lenguaje ya que no es di ´ıcil y adem´as exis e mucha can idad de documen aci´on sob e ´el, sino en
las ´ecnicas de in eligencia a i icial u ilizadas las cuales no son sencillas de comp ende ni de ea-
liza . Fue aqu´ı donde con inuamen e nos d´abamos con a concep os complicados y que no ´e amos
capaces de implemen a co ec amen e.
Adem´as, como bien hemos explicado a lo la go de es a memo ia, es as ´ecnicas no dan un e-
sul ado exac o, ni hay un esul ado “co ec o”. Po an o, es muy di ´ıcil llega a sabe cu´al es el
mejo esul ado y se necesi a mucho ensayo-e o pa a sabe qu´e modelo de p edicci´on es el co ec o.
Fue a de lo ´ecnico, es e p oyec o ambi´en nos ha ayudado a sabe o ganiza un abajo cos oso
y la go lo cual es impo an e a la ho a de a on a el mundo p o esional.
Como au oc ´ı ica, pensamos que los clasi icado es debe ´ıan saca mejo es esul ados y as´ı pode
ene una aplicaci´on mucho m´as iable. Tambi´en es cie o, que en g an medida nues os clasi icado-
es no uncionan como nos gus a ´ıa ya que el conjun o de da os que enemos no su icien e y como
bien hemos ido explicando a lo la go del documen o, los da os son i ales pa a una buena p edicci´on.
Dejando de lado el p´a a o an e io , pensamos que hemos conseguido en ende los concep os
de es as ecnolog´ıas y hemos llegado a ealiza hi os que al p incipio del mismo nos pa ec´ıan muy
complicados. Es o nos ha dado un g an empuj´on a la ho a de a on a el mundo labo al y nos ha
hecho es a o gullosos del abajo ealizado du an e odo el a˜no.
(Ve si´on inglesa en el cap´ı ulo 10)
Cap´ı ulo 8
In oduc ion
8.1. Desc ip ion o he p oblem
Nowadays, insu ance companies base hei p ices es ima ion in he ac ua y’s analysis, bu his
can be e y cos ly. E en hough i may look un eal, all he echnology and ad anced compu e
echniques ha we ha e access o a e no used in his analysis.
To ge an idea, he p ice o an insu ance is calcula ed based on he s a is ics o wo a iables:
he p obabili y ha an un o eseen e en occu s, and he a e age cos esol ing i would ake. [1]
The pe son who ca ies ou hese calcula ions is known as “Ac ua y”. As we know, i is no
easy o calcula e he p obabili y ha an un o eseen e en occu s, which is he eason why mos
o he imes, insu ances a e based on a e y gene al clien ’s p o ile ins ead o being based on each
speci ic clien .
Mo eo e , di e en echnologies ela ed o A i icial In elligence a e g owing nowadays, such
as machine lea ning, neu onal ne wo ks, e c. This happens because e y posi i e esul s a e being
achie ed in he acing o di e en p oblems.
E en hough lo s o hese echniques ha e exis ed om a long ime ago, i is in he cu en ime
when hey a e being applied o eal p oblems sol ing. The eason why his happens is because o
he huge g owing o calcula ion capaci y in he las decades, and he da a scalabili y acili y ha
he cloud and big da a ha e c ea ed. I is e y impo an o bea in mind ha A i icial In elligence
mus be comple ely linked o da a, and ice e sa.
In iew o his lack, ou aim is o acili a e he analysis o he ac ua ies h ough a compu e
so wa e based on A i icial In elligence echniques, and allow hem o adap hei wo k o each
speci ic clien .
8.2. Idea o he p ojec
In his p ojec , we ha e de eloped a so wa e aimed a suppo ing insu ance companies in
achie ing a mo e op imal and secu e p edic ion o he clien s’ isk, so ha he es ima ed p ices o
hei a es can be mo e adequa e o each clien .
To do so, we ha e used di e en A i icial In elligence echniques. The da a we ha e used o
make ou so e s wo k co ec ly we e p o ided by ac ual insu ance companies in “Excell” o ma .
These da a made ou sample consis en enough o ge a so e .
49
CAP´
ITULO 8. INTRODUCTION 50
The whole so wa e is implemen ed in Py hon3 and de eloped in Jupy e No ebook en i on-
men ..
The p edic ion will be based on di e en classi ica ion models:
1. Neu onal ne wo ks
2. Random o es
The insu ance companies will ha e some disc e ion in deciding how o con igu e he p og am.
In such way, hey will be able o gi e p io i y o hose cha ac e is ics ha hey conside he mos
impo an ones. They will be able o do so in an easy way hanks o ou in e ace, which allows
i s usage wi hou he necessi y o unde s anding wha he p og am does in o de o calcula e he
p edic ions.
8.3. Conclusion
As i has been men ioned, i is no easy o he insu ance companies o calcula e a es o hei
clien s, due o he ac ha hei clien s’ isk p edic ions a e based on one pe son’s wo d ins ead
o using a compu e so wa e.
In ou opinion, no using he wide a ie y o ools a ailable is a lack nowadays. This is he
eason why we ha e conside ed ha implemen ing an inno a i e ool was a g ea oppo uni y o
lea ning mo e abou p og amming languages ha we had ne e wo ked wi h, as well as o lea ning
abou an amazing issue, he A i icial In elligence.
Wi h ou p oduc , we will y o help insu ance companies by p o iding a ool ha is able o
calcula e di e en isk p edic ions o a clien , and, his way, acili a ing he ac ua ies’ wo k who
would be able o ake hese p edic ions as indica o s o es ablishing a es.
Cap´ı ulo 9
Wo k Planning
In o de o achie e ou goals, ou planning o he p ojec was as ollows:
1. Indi idual s udy o each membe o he g oup in o de o achie e a global unde s anding o
machine lea ning and he di e en echniques ha ha e been used in his p ojec .
2. Sha ing o in o ma ion and ideas, and decisions aking ega ding he echnologies ha we e
going o be used wi h he o he membe s o he g oup and he di ec o s and p ojec .
3. Ins alla ion and deploymen o he ool: Anaconda – Jupy e no ebook. (Wo k Pla o m).
4. Analysis o he wo k ha had o be done and di ision o he p ojec among he membe s o
he g oup.
5. Design o he i s d a s wi h balsamiq ha allowed an ini ial ision o he in e ace.
6. S udy o Py hon, he main language o he p og am, del ing in he di e en A i icial In e-
lligence echniques ha we had o use o ou so wa e.
7. S udy o he ea u es ha had o be used in he da a model o s a wi h he da a cleansing.
8. Indi idual p og amming wi h wo main sub-aims:
a. G aphic in e ace ( on -end)
b. Cleansing and ea men o he da a (back-end)
9. Knowledge o a basic neu onal ne wo k knowledge wi h he aim o es ing he da a ea men .
10. Me ging o he wo sub-aims o ge a i s unc ional so wa e ha we could s a using o
s udying he esul s ob ained.
11. Making o es s wi h he con usion ma ix o he neu onal ne wo k o e alua e he e iciency
o he ool.
12. Imp o emen o he in e ace o make i as comple e and use - iendly as possible.
13. Deep s udy o Random o es so e .
14. Implemen a ion o he o he so e s (Random o es ).
15. Random o es es s and e o s sol ing.
16. In eg a ion o he Random o es algo i hm in he inal so wa e.
17. Final so wa e unc ioning es s and co ec ion o possible mis akes.
I is wo h men ioning ha his memo y was w i en a he same ime he de elopmen desc i-
bed abo e was aking place.
Besides, i is impo an o highligh ha some o hese asks we e done by he whole g oup,
bu some o he s we e done indi idually, as i was speci ied in he planning.
51
Cap´ı ulo 10
Conclusions
10.1. U ili y
Nowadays, e e y company, no ma e he ield i is specialized on, mus use compu e echni-
ques in o de o be upda ed.
A i icial In elligence is comple ely in eg a ed in oday’s ma ke , and i keeps g owing e en
mo e. Many di e en well-known companies a e in es ing a lo o money and ime in ca ying ou
p ojec s wi h echniques simila o he ones used in his so wa e. The e o e, we could say ha
his p ojec could pe ec ly be an ac ual p ojec .
Besides, in he insu ance ield, he e a e lo s o companies and da a abou hei clien s. This is
why e y powe ul p edic ions, ha would sa e a lo o money and ime o he companies, could
be ca ied ou .
I is impo an o highligh as well ha ou p oduc could be e y use ul o o he companies
di e en om insu ance companies. I could be easily implemen ed o o he ields by aking he
base o he p ojec and changing he ea u es.
In ela ion o he insu ance companies, we could s a e ha we ha e eased he ole o he ac-
ua y; no only eased i , bu ge ing mo e accu a e p edic ions o isk o each clien , since we ha e
aken in o accoun many ea u es ha couldn’ ha e been conside ed o he wise.
10.2. Fu u e Ve sions
In ou p ojec , lo s o u u e e sions could be done, since i is a huge a ea o s udy. Howe e ,
due o echnical o ime es ic ions, we ha en’ been able o implemen hem.
He eunde , u u e possible imp o emen s a e lis ed:
1. Including a mo e sophis ica ed and elabo a ed in e ace.
2. Showing di ec ly he a e he clien ’s insu ance should ha e.
3. Gi e he use he op ion o using he in e ace in di e en languages.
4. Ob aining da a abou possible clien s om hei social ne wo ks.
5. Showing, apa om he eal isk a clien has, he e olu ion his clien will su e along he
passing o ime.
6. Showing g aphics and a s udy o he p edic ions.
These a e only some ideas, al hough lo s o hings could be done in ela ion o his p ojec .
52

CAP´
ITULO 10. CONCLUSIONS 53
10.3. Assessmen o he P ojec
Fo us, his p ojec has been a pe sonal challenge ha we hink we ha e been able o deal wi h.
We conside i a g ea challenge because i is based on a echnology we had ne e used be o e,
such as Py hon language. The p oblem was no unde s anding he language, since i is no com-
plica ed and i is a e y documen ed language, bu using A i icial In elligence echniques ha a e
no easy o unde s and no o use.
In addi ion, as we ha e explained along his pape , hese echniques don’ p o ide an exac
esul , and “co ec ” esul s don’ exis ei he . This is he eason why i is e y di icul o know
which is he bes esul and a lo o es -e o is needed o know which is he co ec p edic ion
model.
Apa om he echnical pa , h ough his p ojec we ha e lea ned how o o ganise a big
p ojec , which is a e y impo an skill o he labou ma ke .
As a sel -c i icism, we would say ha so e s could ob ain be e esul s, and ha he so wa-
e would be much mo e eliable in such way. I is ue ha ou so e s don’ wo k as good as we
would like because we didn’ ha e enough da a, which is a basic elemen o ob ain a good p edic ion.
Finally, we hink ha we ha e unde s ood hese echnologies and we ha e ob ained esul s ha
we conside ed e y di icul be o e s a ing he p ojec . This is a g ea suppo o en e ing he
labou ma ke , since we a e p oud o he wo k we ha e de eloped along he yea .
Cap´ı ulo 11
Con ibuci´on de cada miemb o
•Apo aci´on D´amaso S´anchez A enas
An´alisis y ap endizaje de la ecnolog´ıa
Cuando se comenz´o el p oyec o, lo p ime o que hubo que hace , como se aco d´o en la p ime a
euni´on ue in o ma se ace ca de posibles ecnolog´ıas y en o nos que pod´ıamos usa .
Es a in o maci´on p incipalmen e se sac´o leyendo en di e sos o os de In e ne y iendo ´ıdeos
de expe os en la ma e ia. La ecnolog´ıa a usa ue una elecci´on muy aco ada ya que Py hon y
R son los lenguajes po excelencia en es e ipo de p oyec os. Po lo an o, hab´ıa que elegi uno
de los dos pa a ealiza p oyec o. Fue D´amaso el que jun o a los di ec o es y la ap obaci´on de
Edua do oma on la decisi´on de hace lo en Py hon ya que es un lenguaje que iene mucho in e ´es
en el mundo labo al y que es ´a muy demandado hoy en d´ıa. Adem´as, se analiz´o el lenguaje y imos
que pod ´ıa cumpli con c eces odos los equisi os pa a hace nues o p oyec o de machine lea ning.
Una ez elegido el lenguaje y el en o no de abajo, se comenz´o a pensa que biblio ecas
deb´ıamos usa . En es e caso, D´amaso ue el que as in o ma se po In e ne decidi´o hace la
in e az con la biblio eca de Py hon Tkin e [3]. El mo i o p incipal ue la can idad de documen-
aci´on y acilidades que apo aba dicha biblio eca.
Una ez analizado las ecnolog´ıas que ´ıbamos a usa , ya es aba odo lis o pa a empeza a desa-
olla .
Desa ollo
En el inicio del desa ollo de la aplicaci´on, cuando a´un no se hab´ıa comenzado, con el in de
ene algo uncional lo an es posible, D´amaso comenz´o a desa olla la in e az g ´a ica mien as
Edua do comenzaba con la pa e back-end. A la pa que D´amaso iba desa ollando la in e az, iba
o m´andose ace ca del back-end de la aplicaci´on pa a despu´es abaja en pa alelo jun o a Edua do.
Una ez que la in e az ya e a lo su icien emen e comple a como pa a pode ene algo uncio-
nal, D´amaso comenz´o a abaja de mane a pa alela jun o con Edua do en la pa e back-end del
p oyec o.
T as un la go pe iodo abajando de mane a pa alela, cuando ya se es aban haciendo las p ue-
bas pa a e las p edicciones ob enidas po las edes neu onales, D´amaso comenz´o a o ma se c´omo
se ´ıa el desa ollo sob e el clasi icado Random o es .
Una ez que la pa e de las edes neu onales es aba apun o de inaliza , y mien as Edua do
daba los e oques inales a la in e az, D´amaso comenz´o a desa olla la pa e del Random o es .
54
CAP´
ITULO 11. CONTRIBUCI ´
ON DE CADA MIEMBRO 55
Cuando la pa e de las edes neu onales y la in e az g ´a ica ya es aban inalizadas, ambos
miemb os del equipo se cen a on en implemen a el Random o es y comp oba que los esul-
ados en´ıan sen ido.De es a mane a, in en aban pode pone pun o inal a la pa e back-end del
p oyec o.
Una ez que odo es aba desa ollado, ambos miemb os del equipo dedica on odo su iempo a
ealiza p uebas y a co egi allos.
Ges i´on de e siones
Las dis in as e siones que se iban desa ollando an o po pa e de Edua do como po pa e
de D´amaso se iban ges ionando usando un eposi o io en Gi hub pa a que con inuamen e ambos
u i´e amos acceso a odo, al igual que los di ec o es.
Documen aci´on
La pa e de la documen aci´on se ealiz´o du an e odo el p oyec o de mane a pa alela al desa-
ollo po ambos miemb os del equipo. Al inal del p oyec o, an es de en ega nada, se hizo una
e isi´on de oda la documen aci´on y se soluciona on e o es.
La memo ia se iba iendo con los di ec o es del p oyec o pa a pode ob ene un eedback con-
inuo y de es a mane a pode i co igiendo e o es.
•Apo aci´on Edua do Rod ´ıguez De Cas o Zalo˜na
An´alisis y ap endizaje de la ecnolog´ıa
Al inicio del cu so, al igual que D´amaso, Edua do en´ıa que in o ma se ace ca de las ecno-
log´ıas y en o nos. A pesa de que ambos se in o ma on pa alelamen e de ambas cosas, inalmen e
ue Edua do el que m´as se in o mo ace ca de los posibles en o nos y el que jun o a los di ec o es
del p oyec o y con la ap obaci´on de D´amaso, decidie on elegi jupy e no ebook como en o no de
implemen aci´on.
Pos e io men e, cuando ya se sab´ıa la ecnolog´ıa y el en o no a u iliza , ue Edua do el que
m´as es ue zo inicial puso en in o ma se sob e el a amien o del da a ame mien as que D´amaso
es aba m´as cen ado en la pa e de la in e az. g ´a ica.
Edua do hab´ıa cu sado la asigna u a de “Mine ´ıa de Da os” en a˜nos an e io es y es po eso que
en´ıa m´as conocimien os ace ca del ema y le cos ´o menos abajo inicial en ende algunos con-
cep os. Po ello, inicialmen e ue Edua do quien comenz´o a desa olla el back-end de la aplicaci´on.
Desa ollo
Como hemos comen ado en el caso de D´amaso an e io men e, Al comenza el p oyec o y con
la idea de ene algo uncional cuan o an es, Edua do comenz´o a ealiza el back-end de la aplica-
ci´on g acias a los conocimien os que hab´ıa adqui ido en la asigna u a op a i a “Mine ´ıa de da os”
mien as D´amaso es aba m´as cen ado en la pa e del on -end. Po ello, comenz´o a a a el da a
ame y a pensa c´omo se iban a implemen a las edes neu onales. Ob iamen e, a la ez que iba
desa ollando, iba ense˜nando a D´amaso pa a que ambos u ie an conocimien o y pudie an abaja
en pa alelo.
Una ez que D´amaso ya ob u o el conocimien o, du an e un buen pe iodo, ambos miemb os
del equipo es u ie on abajando de mane a pa alela en el a amien o del da a ame y en la
implemen aci´on de las edes neu onales.
CAP´
ITULO 11. CONTRIBUCI ´
ON DE CADA MIEMBRO 56
Como bien sabemos, pa a sabe si una p edicci´on se es a haciendo bien, hay que hace mucho
ensayo-e o y po eso en es a ´epoca del p oyec o se necesi a on euniones cons an emen e pa a
pode habla con los di ec o es del p oyec o has a que llegamos a unas edes neu onales que p e-
dec´ıan de mane a acep able.
Una ez que ya en´ıamos una aplicaci´on uncional, aunque no de ini i a. Edua do se cen ´o en
co egi allos de la in e az e in en a hace la lo m´as amena y p ´ac ica posible.
Po ´ul imo, cuando an o las pa es de las p uebas con las edes neu onales como las de la
in e az g ´a ica es aban ealizadas, Edua do jun o con D´amaso desa olla on y inaliza on la pa e
del clasi icado Random o es .
Una ez que odo es aba desa ollado, ambos miemb os del equipo dedica on odo su iempo a
ealiza p uebas y a co egi los posibles allos.
Ges i´on de e siones
Las dis in as e siones que se iban desa ollando an o po pa e de Edua do como po pa e
de D´amaso se iban ges ionando usando un eposi o io en Gi hub pa a que con inuamen e ambos
u i´e amos acceso a odo, al igual que los di ec o es.
Documen aci´on
La pa e de la documen aci´on se ealiz´o du an e odo el p oyec o de mane a pa alela al desa-
ollo po ambos miemb os del equipo. Al inal del p oyec o, an es de en ega nada, se hizo una
e isi´on de oda la documen aci´on y se soluciona on e o es.
La memo ia se iba iendo con los di ec o es del p oyec o pa a pode ob ene un eedback con-
inuo y de es a mane a pode i co igiendo e o es.