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營健康發(fā)展,而且對促進經濟發(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,設計了一個基于數(shù)據(jù)挖掘技術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),分別基于極限學習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)的極限學習機方差估計不穩(wěn)健的問題,在穩(wěn)健估計理論的基礎上,提出了基于魯棒估計的極限學習機模型,基于M估計的迭代加權最小二乘法對輸出權重進行魯棒估計。同時利用蜂群算法優(yōu)化極限學習機的參數(shù),進一步提高了極限學習機的分類性能和泛化能力,簡化了模型的網(wǎng)絡結構。另一方面,在平衡隨機森林的基礎上,提出了一種評價變量重要性的加權綜合排序方法,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平均得到的綜合得分作為啟發(fā)式信...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖５．１網(wǎng)絡權值矩陣和可視化網(wǎng)絡拓撲圖??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，??迭代結束時損失函數(shù)為６４．７４，權值的最大調整量為０．００８７。由各網(wǎng)絡節(jié)點的權??值，得網(wǎng)絡權值矩陣和可視化網(wǎng)絡拓撲圖，如圖５．１所示。??＾——￥??囬?Ｕｎ?＼??［ｌｆ?１?１５．２６６....

圖５．２?廣義權值散點圖??Ｆｉｇ．?５．２?Ｇｅｎ?

圖５．２?廣義權值散點圖??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、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)，隨機選擇產生訓練集和測試??集，其中７０％的數(shù)據(jù)構成訓練集，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