17843

17843

ارائه روشي براي ردهبندي مشتريان بيمه عمر مبتني بر قواعد باهم آيي پيش بيني كننده

كارشناسي ارشد

نرم افزار

بهمن ماه 1395

دكتر بهروز مينايي

كامپيوتر

با توجه به افزايش روزافزون استفاده‌كنندگان از بيمه و پيشرفت سريع فناوري اطلاعات، حجم داده‌هاي ذخيره شده در پايگاه‌ داده‌هاي شركت‌هاي بيمه به سرعت در حال رشد بوده و اين پايگاه داده‌هاي بزرگ، حاوي حجم زيادي از داده‌ها و فرصت‌هاي قابل استفاده از اطلاعات تجاري باارزش هستند. از طرفي كشف اطلاعات ارزشمند پنهان دراين پايگاه‌داده‌ها كار دشواري است. داده‌كاوي فرايندي تحليلي است كه در كشف اين اطلاعات ارزشمند به ما كمك مي‌كند. هدف اين پژوهش ارائه چهارچوبي مبتني بر قواعد باهم‌آيي پيش‌بيني كننده جهت رده‌بندي مشتريان و پيش‌بيني خريد پوشش‌هاي بيمه عمر در بيمه ايران توسط مشتريان جديد براساس سوابق مشتريان قبلي است. در سال‌هاي اخير رويكرد جديدي به نام رده‌بندي باهم‌آيي براي ادغام استخراج قواعد باهم‌آيي و رده‌بندي ارائه شده است كه ابتدا با استفاده از برخي الگوريتم‌ها مانند Apriori ,FPGrowth قواعد باهم‌آيي قوي را استخراج مي‌كند و سپس از مجموعه‌اي از قواعد پراهميت براي رده‌بندي و پيش‌بيني استفاده مي‌كند. يكي از شرايطي كه باعث ايجاد مدل‌هايي با دقت پايين خواهد شد، عدم متوازن بودن داده‌هاي برچسب‌دار است كه براي ساخت مدل در رده‌بندي استفاده مي‌شوند. به اين معني كه فراواني نمونه‌هاي بعضي كلاس‌ها خيلي بيشتر يا كمتر از فراواني نمونه‌هاي كلاس ديگر است. چهارچوب ارائه شده دراين پژوهش با استفاده از خوشه‌بندي، فضاهاي مختلفي براي نمونه‌برداري و حل مشكل عدم توازن داده‌هاي برچسب‌گذاري شده را پيشنهاد مي‌دهد كه با نمونه‌برداري از اين فضاها، چندين مجموعه‌ آموزشي مختلف ايجاد كرده و با استفاده از الگوريتم (CBA) Classification Based on Association rules با هركدام از مجموعه‌ها مدلي ساخته و بر روي مجموعه داده‌هاي آزمون اعمال مي‌شود و با راٌي‌گيري بين نتايج پيش‌بيني مدل‌ها، برچسب ركورد جديد پيش‌بيني مي‌شود. نتايج حاصل نشان داده شده كه اين روش باعث افزايش ميزان دقت به ميزان 10درصد در الگوريتم CBA خواهد شد.

1396/07/05

1/1/1900 12:00:00 AM

According to the increase of the users of insurance companies and the rapid growth of information technology, the amount of data in database of insurance companies is growing rapidly. This huge database contains the huge amount of data and usable opportunities from valuable commercial information. On the other hand, it is difficult to extract valuable data from database and understandable structure for future use. The goal of this thesis is to propose a framework based on predictive association rules to classify Iran insurance's customers to predict the purchase of the products that new customers that buy, based on the history of old customers' purchases. In the recent years, a new approach called associative classification is proposed to integrate association rules mining and classification tasks. It uses association rules mining algorithm, such as Apriori or FPgrowth, to generate the complete set of association rules. Then, it selects a small set of high quality rules and uses these rules for prediction. This framework proposes different spaces for sampling and problem-solving of unbalanced supervised data by clustering to create multi training datasets and create classification model for each training dataset by using Classification Based on Association rules (CBA) algorithm and test these models on the test data and vote for the result of predicted models. The result shows that the accuracy of the CBA algorithm increase 10 percent by using this framework.