發(fā)布時間：2024-06-11 05:53

　　近年來,保險行業(yè)發(fā)展迅速,保險欺詐事件也逐漸增多,欺詐的普遍存在造成保險市場“高保費、高賠付、低收益”的運營現(xiàn)狀,阻礙行業(yè)的可持續(xù)發(fā)展。因此,識別保險欺詐、防范控制風險、減少損失不僅能夠促進保險公司經(jīng)營健康發(fā)展,而且對促進經(jīng)濟發(fā)展、維護社會穩(wěn)定都有著重要的現(xiàn)實意義。本文首先分析了現(xiàn)有汽車保險行業(yè)中保險欺詐的研究現(xiàn)狀,對汽車保險欺詐的概念、分類、表現(xiàn)、危害等進行了系統(tǒng)概述。其次,針對現(xiàn)有研究的局限性及當前存在的問題,設(shè)計了一個基于數(shù)據(jù)挖掘技術(shù)的汽車保險欺詐識別系統(tǒng)。然后,從機動車保險欺詐識別的理論出發(fā),分別基于極限學(xué)習(xí)機和隨機森林建立了汽車保險欺詐識別模型。一方面,針對傳統(tǒng)的極限學(xué)習(xí)機方差估計不穩(wěn)健的問題,在穩(wěn)健估計理論的基礎(chǔ)上,提出了基于魯棒估計的極限學(xué)習(xí)機模型,基于M估計的迭代加權(quán)最小二乘法對輸出權(quán)重進行魯棒估計。同時利用蜂群算法優(yōu)化極限學(xué)習(xí)機的參數(shù),進一步提高了極限學(xué)習(xí)機的分類性能和泛化能力,簡化了模型的網(wǎng)絡(luò)結(jié)構(gòu)。另一方面,在平衡隨機森林的基礎(chǔ)上,提出了一種評價變量重要性的加權(quán)綜合排序方法,將隨機森林的特征重要性得分和基于統(tǒng)計t檢驗的特征重要性得分加權(quán)平均得到的綜合得分作為啟發(fā)式信...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖５．１網(wǎng)絡(luò)權(quán)值矩陣和可視化網(wǎng)絡(luò)拓撲圖??Ｆｉｇ．?５．１?Ｎｅｔｗｏｒｋ?ｗｅｉｇｈｔ?ｍａｔｒｉｘ?ａｎｄ?ｖｉｓｕａｌ?ｎｅｔｗｏｒｋ?ｔｏｐｏｌｏｇｙ??

函數(shù)采用交互熵，輸出節(jié)點的激活函數(shù)為Ｓｉｇｍｏｉｄ函數(shù)。共進行了?１５０７次迭代，??迭代結(jié)束時損失函數(shù)為６４．７４，權(quán)值的最大調(diào)整量為０．００８７。由各網(wǎng)絡(luò)節(jié)點的權(quán)??值，得網(wǎng)絡(luò)權(quán)值矩陣和可視化網(wǎng)絡(luò)拓撲圖，如圖５．１所示。??＾——￥??囬?Ｕｎ?＼??［ｌｆ?１?１５．２６６....

圖５．２?廣義權(quán)值散點圖??Ｆｉｇ．?５．２?Ｇｅｎ?

圖５．２?廣義權(quán)值散點圖??Ｆｉｇ．?５．２?Ｇｅｎｅｒａｌｉｚｅｄ?ｗｅｉｇｈｔｅｄ?ｓｃａｔｔｅｒ?ｐｌｏｔ??由圖５．２，到期期限、駕駛員性別、定損照片張數(shù)和歷史出險次數(shù)的廣義權(quán)值??幾乎均在０附近，所以這四個變量的重要性相對較弱；而車輛所屬性質(zhì)、是否??自動核保、驗車情況....

圖５．３數(shù)據(jù)集平衡化處理對分類準確度的影響??Ｆｉ．?５．３?Ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔａ?ｓｅｔ?ｂａｌａｎｃｅ?ｏｎ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ａｃｃｕｒａｃ

對算法分類性能的影響。對文中的車險數(shù)據(jù)，隨機選擇產(chǎn)生訓(xùn)練集和測試??集，其中７０％的數(shù)據(jù)構(gòu)成訓(xùn)練集，剩余的數(shù)據(jù)作為測試集。通過計算分類準確率??和誤差，對算法性能進行綜合評價。１０折交叉驗證的測試結(jié)果如圖５．３??和圖５．４所示。??１００１?■?＇?？???■?■?■?■—??....

圖５．４數(shù)據(jù)集平衡化處理對０６＾誤差的影響??

圖５．４數(shù)據(jù)集平衡化處理對０６＾誤差的影響??Ｆｉｇ．?５．４?Ｔｈｅ?ｉｎｆｌｕｅｎｃｅ?ｏｆ?ｄａｔａ?ｓｅｔ?ｂａｌａｎｃｅ?ｏｎ?ＯＯＢ?ｅｒｒｏｒ??圖５．３中，平衡后的數(shù)據(jù)集較初始非平衡數(shù)據(jù)集而言具有較高的分類準確??度。同時圖５．４中平衡化數(shù)據(jù)集在００５誤差上性能的....

本文編號：3992506