• Health Insurance
  • Índice
  • Contextualização:
  • Metodologia Aplicada:
  • Entendimento do Negócio:
  • Entendimento dos Dados:
    • Variáveis:
    • Verificando as Dimensões do DataFrame:
    • Describe:
    • Verificando Valores Nulos:
    • Verificando Tipos:
    • Gasto com saúde por idade:
    • Gasto com saúde por BMI:
    • Filhos:
  • Preparação dos Dados:
    • Separando features:
    • Separando X e Y:
    • Train-test split:
    • Tratando os nulos:
    • Construção do pipeline de pré-processamento:
  • Modelagem:
    • Pipeline:
    • Modelos:
    • Buscando os melhores modelos:
    • Melhor modelo:
  • Avaliação:
  • Implantação:
  • Pré-requisitos para executar o projeto:
    • Ambiente virtual e Dependências:

A previsão de seguro médico é crucial na área da saúde, pois prevê os custos médicos e ajuda as organizações de saúde a se prepararem para as despesas. Ao analisar fatores como demografia, histórico médico e estilo de vida, as seguradoras podem definir taxas de prêmio precisas e alocar recursos de forma eficiente. Isso também ajuda indivíduos de alto risco a receberem os recursos e apoio necessários. No geral, a previsão de seguro médico é uma ferramenta valiosa tanto para os pacientes quanto para os provedores em um sistema de saúde sustentável.

A análise foi realizada utilizando o modelo CRISP-DM, o CRISP-DM (Cross Industry Standard Process for Data Mining) é um modelo padrão de processo para projetos de mineração de dados que define um conjunto de fases e tarefas que devem ser executadas para desenvolver soluções de mineração de dados efetivas.

O modelo CRISP-DM é uma abordagem sistemática e estruturada para a mineração de dados que ajuda as empresas a desenvolver soluções de mineração de dados de maneira eficiente e eficaz, reduzindo o tempo e os custos do projeto.

Este projeto tem como objetivo prever o custo do seguro de saúde.

Nosso objetivo é prever o custo dos clientes para uma seguradora de saúde com base em algumas características (features), ou seja, prever o custo daquele cliente para a seguradora. Nosso modelo tem como propósito auxiliar na tomada de decisões e contribuir para uma melhor previsibilidade de custos futuros, o que beneficia a saúde financeira da empresa. As características que mais influenciaram nosso modelo foram idade, IMC (Índice de Massa Corporal), quantidade de filhos e se a pessoa fuma ou não.

O modelo que obteve melhor desempenho foi o Gradient Boosting Regressor, com um R2 de 0.84.

Como próximos objetivos em versões futuras para a melhoria contínua do projeto, planejamos fazer o seguinte:

• Mais features relevantes: Vamos considerar adicionar mais características relevantes ao modelo de previsão. Por exemplo, informações sobre histórico médico, hábitos de exercício, histórico familiar de doenças, entre outros, podem aumentar a precisão das previsões.

• Validação externa: Se possível, iremos validar o modelo em um conjunto de dados externo ou em uma situação real de aplicação. Isso ajudará a verificar a eficácia do modelo em condições reais.

Iniciando a etapa de implementação do modelo em produção.

Abaixo, listarei os requisitos necessários para que o projeto funcione corretamente.

Criando ambiente virtual:

python3 -m venv core/.venv python=3.10.6

Entrando no ambiente virtual:

source core/.venv/bin/activate

Instale as dependências:

pip install -r core/requirements.txt

Linkedin: https://www.linkedin.com/in/samuel-barbosa-dev/

E-mail: [email protected]