المستخلص:
يتمثل هدف البحث في تقدير عدد المطالبات في فرع تأمين السيارات التكميلي، باستخدام النماذج التجميعية المعممة Generalized Additive Models، واقترح الباحثون دمج أساليب التسوية LASSO Regularization لزباده قدرة النموذج على التنبؤ. واعتمد الباحثون على بيانات تأمين السيارات التكميلي لإحدى شركات التأمين العاملة في سوق التأمين المصري. وتم إدخال تأثير عوامل خطر إضافية لم تؤخذ في الحسبان من قبل ومنها المسافات المقطوعة والتقييم الائتماني I-SCORES. وقد تم استخدام النماذج التجميعية المعممة GAM في برنامج ‘mgcv'. R package,، والتي تعتمد في التنبؤ بالمتغيرات غير الخطية على الدوال الممهدة smooth Functions، وهذا ما يعطيه الدقة العالية في التنبؤ أكثر من غيره من النماذج.
وتم التوصل إلى أن هناك العديد من المتغيرات التي تؤثر في التنبؤ بعدد المطالبات، وهي: عمر السيارة، وعمر قائد السيارة، والمسافات المقطوعة بالأميال، والأداء الائتماني. وقد أثبت النموذج قدرته على التنبؤ، حيث أن النموذج التجميعي المعمم مع استخدام معيار التسوية L1 regularization، يعمل على تقليل معاملات المتغيرات   ومن الممكن أن تصبح صفر، مما يؤدي إلى ملائمة النموذج التجميعي المعمم ذو معيار التسوية للدوال الممهدة.
Abstract
    This research aims to estimate the frequency of claims in the private Motor Insurance industry in Egypt by using Generalized Additive Models (GAMs), which can capture common non-linear complex relationships by combining multiple smooth functions of predictor variables additive models (AMs).
    The researchers proposed a model for pricing Motor insurance that incorporates LASSO regularization methods into GAM models, to increase the predictive performance of the model.  Additionally, this Research introduced new risk factors that had not been taken into consideration to estimate the number of claims in pricing Motor insurance in the Egyptian Market, Distances and I-SCORES credit rating. The researchers used Motor insurance Line of Business data from one of the insurance companies in the Egyptian insurance market.
     To achieve this objective, The statistical-analytical and Machine learning methods with “mgcv" R package are used.
   The findings reveal that the proposed model of GAM model with LASSO regularization L1 Techniques (ML) helps in improving its interpretability of the results and increasing predictive performance, selecting the most predictive risk factors on Pricing Motor insurance.