شماره ركورد
33563
پديد آورنده
افسانه قيصربيگي
عنوان
مدل كشف تقلب در حوزه بيمه خودرو مبتني بر يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع
سال تحصيل
1401
تاريخ دفاع
1403/11/28
استاد راهنما
محمد فتحيان
استاد مشاور
فرناز برزين پور
دانشكده
مهندسي صنايع
چكيده
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.
تاريخ ورود اطلاعات
1404/05/28
عنوان به انگليسي
A Fraud Detection Model in the Domain of Car Insurance Based on Machine Learning
تاريخ بهره برداري
2/17/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
افسانه قيصربيگي
چكيده به لاتين
The prevalence of insurance fraud in the auto industry poses significant financial challenges and undermines customer trust. Despite the application of machine learning methods to reduce these losses, current literature lacks effective tuned algorithms for detecting fraud in insurance claims. To address this gap, this study proposes an ensemble-based method with a weighted voting strategy for auto insurance fraud detection. The study uses the Binary Quantum-Based Avian Navigation Optimizer Algorithm (BQANA) to optimize the hyperparameters of Support Vector Machines (SVM), Random Forest (RF), and XGBoost classifiers, which are combined into an ensemble. To address the datasetʹs imbalance, random undersampling was applied to create five legitimate-to-fraudulent claim ratios: A:A, 1:1, 2:1, 4:1, and 8:1. The performance of BQANA was compared with Genetic Algorithms and Simulated Annealing for hyperparameter tuning. The results indicate that the ensemble model with BQANA-optimized hyperparameters outperforms other methods, particularly at a 1:1 ratio, achieving 99.94% Accuracy, 98.93% Precision, 100% Recall, and a 99.46% F1-score. These metrics surpass those obtained without optimization or with traditional tuning methods. This research highlights the efficacy of the BQANA algorithm in optimizing hyperparameters for classification models. By combining these optimized classifiers into an ensemble, the study significantly enhances predictive accuracy in car insurance fraud detection, offering notable improvements over conventional methods.
كليدواژه هاي فارسي
شناسايي تقلب در بيمه , يادگيري ماشين , يادگيري جمعي , الگوريتم هاي فراابتكاري
كليدواژه هاي لاتين
Insurance Fraud Detection , Machine Learning , ensemble learning , Metaheuristic algorithms
Author
Gheisar beigi
SuperVisor
Dr. Fatheian