Con la popularidad del análisis de grandes datos con datos de reclamos de seguros, se han desarrollado diversos modelos de regresión para variables de respuesta de conteo. Sin embargo, existe un problema de multicolinealidad con variables de entrada multivariadas en los modelos de regresión de respuesta de conteo. Recientemente, se han propuesto modelos de aprendizaje profundo y redes neuronales para respuesta de conteo, y también se ha propuesto un modelo de aprendizaje profundo basado en Keras y Tensorflow. Para aplicar los modelos de aprendizaje profundo y redes neuronales a datos de reclamos de seguros no normales, realizamos una comparación de precisión del error cuadrático medio de modelos de máquinas de aumento de gradiente (un algoritmo popular de árbol de regresión de aprendizaje automático), regresión de Poisson basada en análisis de componentes principales (PCA), regresión binomial negativa basada en PCA y regresión de Poisson inflada en cero basada en PCA para evitar la multicolinealidad de variables de entrada multivariadas con datos de distribución normal simulados y datos simulados no normales combinados con datos distribuidos normalmente, datos binarios, datos asimétricos basados en cópulas y dos conjuntos de datos reales, que consisten en datos de multas por exceso de velocidad y reclamos de seguros de Singapur.