14904

بررسي روش هاي كشف تقلب در سازمان هاي بيمه اي با بهره گيري از يادگيري ماشين

1401

محمد فتحيان

فرناز برزين پور

شيوع كلاهبرداري‌هاي بيمه‌اي در صنعت خودرو، چالش‌هاي مالي گسترده اي را به همراه داشته و موجب تضعيف اعتماد مشتريان شده است. با وجود بهره‌گيري از روش‌هاي يادگيري ماشين براي كاهش اين خسارات، پژوهش‌هاي پيشين اغلب فاقد الگوريتم‌هاي كارآمد و به‌خوبي تنظيم‌شده براي شناسايي كلاهبرداري در ادعاهاي بيمه‌اي هستند. در اين پژوهش، روشي مبتني بر يادگيري جمعي (مجموعه‌اي از مدل‌هاي طبقه‌بندي) همراه با راهبرد رأي‌گيري وزني، براي تشخيص تقلب در بيمه خودرو ارائه شده است. در اين روش، از الگوريتم بهينه‌سازي ناوبري پرندگان مبتني بر كوانتوم در فضاي باينري براي تنظيم مؤثر ابرپارامترهاي سه طبقه‌بند شامل ماشين بردار پشتيبان، جنگل تصادفي و تقويت گرادياني شديد استفاده شده كه به صورت مشترك يك ساختار يادگيري جمعي را تشكيل مي‌دهند. براي مقابله با مسئله‌ي عدم توازن در داده‌ها، از نمونه‌گيري تصادفي كاهشي استفاده شده و نسبت‌هاي مختلفي از ادعاهاي غيرتقلبي به تقلبي (1:1، 2:1، 4:1 و 8:1) در نظر گرفته شده است. عملكرد الگوريتم بهينه‌سازي پيشنهادي با دو الگوريتم ديگر شامل الگوريتم ژنتيك و شبيه‌سازي انجماد مقايسه شده است. نتايج نشان مي‌دهد كه استفاده از ابرپارامترهاي تنظيم‌شده توسط الگوريتم پيشنهادي، در چارچوب يادگيري جمعي، عملكرد بهتري نسبت به ساير روش‌ها داشته است. به‌ويژه در نسبت 1:1، مقادير صحت برابر با 99٫94 درصد، دقت معادل 98٫93 درصد، بازخواني برابر با 100 درصد و امتياز F1 معادل 99٫46 درصد به‌دست آمده است. اين پژوهش نشان مي‌دهد كه الگوريتم بهينه‌سازي ناوبري پرندگان مبتني بر كوانتوم باينري، ابزار مؤثري براي تنظيم ابرپارامترهاي مدل‌هاي طبقه‌بندي است و با بهره‌گيري از طبقه‌بندهاي بهينه‌شده در قالب يك مدل جمعي، مي‌توان دقت شناسايي تقلب بيمه‌اي را به‌طور معناداري افزايش داد و نسبت به روش‌هاي متداول، نتايج بهتري حاصل كرد.

10/7/2023 12:00:00 AM

87115

1404/06/08

Examining fraud detection methods in insurance organizations using machine learning

شناسايي تقلب در بيمه , يادگيري ماشين , يادگيري جمعي , متاهيوريستيك , تنظيم هايپرپارامترها

Insurance fraud detection , machine learning , ensemble learning , metaheuristics , hyperparameter tuning