基于数据挖掘技术的汽车保险欺诈识别研究

发布时间：2024-06-11 05:53

　　近年来,保险行业发展迅速,保险欺诈事件也逐渐增多,欺诈的普遍存在造成保险市场“高保费、高赔付、低收益”的运营现状,阻碍行业的可持续发展。因此,识别保险欺诈、防范控制风险、减少损失不仅能够促进保险公司经营健康发展,而且对促进经济发展、维护社会稳定都有着重要的现实意义。本文首先分析了现有汽车保险行业中保险欺诈的研究现状,对汽车保险欺诈的概念、分类、表现、危害等进行了系统概述。其次,针对现有研究的局限性及当前存在的问题,设计了一个基于数据挖掘技术的汽车保险欺诈识别系统。然后,从机动车保险欺诈识别的理论出发,分别基于极限学习机和随机森林建立了汽车保险欺诈识别模型。一方面,针对传统的极限学习机方差估计不稳健的问题,在稳健估计理论的基础上,提出了基于鲁棒估计的极限学习机模型,基于M估计的迭代加权最小二乘法对输出权重进行鲁棒估计。同时利用蜂群算法优化极限学习机的参数,进一步提高了极限学习机的分类性能和泛化能力,简化了模型的网络结构。另一方面,在平衡随机森林的基础上,提出了一种评价变量重要性的加权综合排序方法,将随机森林的特征重要性得分和基于统计t检验的特征重要性得分加权平均得到的综合得分作为启发式信...

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图５．１网络权值矩阵和可视化网络拓扑图??Ｆｉｇ．?５．１?Ｎｅｔｗｏｒｋ?ｗｅｉｇｈｔ?ｍａｔｒｉｘ?ａｎｄ?ｖｉｓｕａｌ?ｎｅｔｗｏｒｋ?ｔｏｐｏｌｏｇｙ??

函数采用交互熵，输出节点的激活函数为Ｓｉｇｍｏｉｄ函数。共进行了?１５０７次迭代，??迭代结束时损失函数为６４．７４，权值的最大调整量为０．００８７。由各网络节点的权??值，得网络权值矩阵和可视化网络拓扑图，如图５．１所示。??＾——￥??囬?Ｕｎ?＼??［ｌｆ?１?１５．２６６....

图５．２?广义权值散点图??Ｆｉｇ．?５．２?Ｇｅｎ?

图５．２?广义权值散点图??Ｆｉｇ．?５．２?Ｇｅｎｅｒａｌｉｚｅｄ?ｗｅｉｇｈｔｅｄ?ｓｃａｔｔｅｒ?ｐｌｏｔ??由图５．２，到期期限、驾驶员性别、定损照片张数和历史出险次数的广义权值??几乎均在０附近，所以这四个变量的重要性相对较弱；而车辆所属性质、是否??自动核保、验车情况....

图５．３数据集平衡化处理对分类准确度的影响??Ｆｉ．?５．３?Ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔａ?ｓｅｔ?ｂａｌａｎｃｅ?ｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ａｃｃｕｒａｃ

对算法分类性能的影响。对文中的车险数据，随机选择产生训练集和测试??集，其中７０％的数据构成训练集，剩余的数据作为测试集。通过计算分类准确率??和误差，对算法性能进行综合评价。１０折交叉验证的测试结果如图５．３??和图５．４所示。??１００１?■?＇?？???■?■?■?■—??....

图５．４数据集平衡化处理对０６＾误差的影响??

图５．４数据集平衡化处理对０６＾误差的影响??Ｆｉｇ．?５．４?Ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔａ?ｓｅｔ?ｂａｌａｎｃｅ?ｏｎ?ＯＯＢ?ｅｒｒｏｒ??图５．３中，平衡后的数据集较初始非平衡数据集而言具有较高的分类准确??度。同时图５．４中平衡化数据集在００５误差上性能的....

本文编号：3992506