基于蚁群算法优化随机森林模型的汽车保险欺诈识别研究
本文关键词： 汽车保险欺诈 平衡随机森林 蚁群优化算法 启发式信息 出处：《保险研究》2017年06期 论文类型：期刊论文
【摘要】：汽车保险欺诈在全球范围内逐步蔓延,车险欺诈识别越来越受到社会关注。本文针对实际汽车保险索赔数据中样本数量大且不平衡的特点,提出了平衡随机森林和蚁群结合的组合分类器。首先,对高维、不平衡的车险索赔数据集进行特征选择与分类,将随机森林的特征重要性评价得分和数据的统计检验得分作为启发式信息,利用蚁群算法进行智能搜索,把随机森林的分类精度反馈给蚁群进行信息素的实时更新,挖掘出判别车险欺诈的特征组合。然后将基于蚁群优化算法的平衡随机森林模型应用到汽车保险欺诈识别中。研究结果表明:基于蚁群优化随机森林算法的汽车保险欺诈识别模型能够更好地对车险索赔数据进行分类预测,挖掘车险欺诈规律,具有更好的精确度和稳健性。
[Abstract]:Automobile insurance fraud is gradually spreading all over the world, and the identification of vehicle insurance fraud has attracted more and more attention. This paper aims at the large sample size and unbalanced characteristics of the actual vehicle insurance claim data. A combination classifier of balanced random forest and ant colony is proposed. Firstly, the high dimensional and unbalanced vehicle insurance claim data sets are selected and classified. The evaluation score of feature importance of random forest and the statistical test score of data are taken as heuristic information, and the ant colony algorithm is used to carry out intelligent search. The classification accuracy of random forest is fed back to ant colony to update pheromone in real time. Then the balanced stochastic forest model based on ant colony optimization algorithm is applied to vehicle insurance fraud identification. The research results show that:. The vehicle insurance fraud identification model based on ant colony optimization stochastic forest algorithm can better classify and predict vehicle insurance claim data. Mining vehicle insurance fraud law, with better accuracy and robustness.
【作者单位】： 山东科技大学数学与系统科学学院统计系;
【基金】：国家自然科学基金项目“基于结构化大数据深度挖掘的非寿险保险公司经营风险模型研究”(61502280);国家自然科学基金面上项目“扩展逻辑Petri网理论及其在跨组织业务过程协同中的应用研究”(61472228) 山东省自然科学基金面上项目“扩展逻辑工作流网理论及其在组织间业务过程协同中的应用研究”(ZR2014FM009) 山东科技大学研究生科技创新项目“基于数据挖掘技术的非寿险公司客户价值和风险管理研究”(SDKDYC170341)
【分类号】：F842.634;TP18
【正文快照】： 一、引言近年来,保险行业呈蓬勃发展之势。2015年,我国保险行业推动服务能力提升和转型升级,在经济增速放缓的环境中一枝独秀。中国已成为全球第三大保险市场,行业发展规模仅次于美国和日本。但是,随之而来的保险欺诈事件也逐渐增多,其中以车险行业的欺诈现象最为严重。数据显
【相似文献】
相关期刊论文 前10条
1 刘足华;熊惠霖;;基于随机森林的目标检测与定位[J];计算机工程;2012年13期
2 董师师;黄哲学;;随机森林理论浅析[J];集成技术;2013年01期
3 王象刚;;基于K均值随机森林快速算法及入侵检测中的应用[J];科技通报;2013年08期
4 陈姝;彭小宁;;基于粒子滤波和在线随机森林分类的目标跟踪[J];江苏大学学报(自然科学版);2014年02期
5 罗知林;陈挺;蔡皖东;;一个基于随机森林的微博转发预测算法[J];计算机科学;2014年04期
6 王丽婷;丁晓青;方驰;;基于随机森林的人脸关键点精确定位方法[J];清华大学学报(自然科学版);2009年04期
7 李建更;高志坤;;随机森林针对小样本数据类权重设置[J];计算机工程与应用;2009年26期
8 张建;武东英;刘慧生;;基于随机森林的流量分类方法[J];信息工程大学学报;2012年05期
9 吴华芹;;基于训练集划分的随机森林算法[J];科技通报;2013年10期
10 张华伟;王明文;甘丽新;;基于随机森林的文本分类模型研究[J];山东大学学报(理学版);2006年03期
相关会议论文 前7条
1 谢程利;王金桥;卢汉清;;核森林及其在目标检测中的应用[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年
2 武晓岩;方庆伟;;基因表达数据分析的随机森林方法及算法改进[A];黑龙江省第十次统计科学讨论会论文集[C];2008年
3 张天龙;梁龙;王康;李华;;随机森林结合激光诱导击穿光谱技术用于的钢铁分类[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年
4 相玉红;张卓勇;;组蛋白去乙酰化酶抑制剂的构效关系研究[A];第十一届全国计算（机）化学学术会议论文摘要集[C];2011年
5 张涛;李贞子;武晓岩;李康;;随机森林回归分析方法及在代谢组学中的应用[A];2011年中国卫生统计学年会会议论文集[C];2011年
6 冯飞翔;冯辅周;江鹏程;刘菁;刘建敏;;随机森林和k-近邻法在某型坦克变速箱状态识别中的应用[A];第八届全国转子动力学学术讨论会论文集[C];2008年
7 曹东升;许青松;梁逸曾;陈宪;李洪东;;组合树的集合体和后向消除策略去分类P-糖蛋白化合物[A];第十届全国计算(机)化学学术会议论文摘要集[C];2009年
相关博士学位论文 前6条
1 张乾;基于随机森林的视觉数据分类关键技术研究[D];华南理工大学;2016年
2 薛小明;基于时频分析与特征约简的水电机组故障诊断方法研究[D];华中科技大学;2016年
3 曹正凤;随机森林算法优化研究[D];首都经济贸易大学;2014年
4 雷震;随机森林及其在遥感影像处理中应用研究[D];上海交通大学;2012年
5 岳明;基于随机森林和规则集成法的酒类市场预测与发展战略[D];天津大学;2008年
6 李书艳;单点氨基酸多态性与疾病相关关系的预测及其机制研究[D];兰州大学;2010年
相关硕士学位论文 前10条
1 钱维;药品不良反应监测中随机森林方法的建立与实现[D];第二军医大学;2012年
2 韩燕龙;基于随机森林的指数化投资组合构建研究[D];华南理工大学;2015年
3 贺捷;随机森林在文本分类中的应用[D];华南理工大学;2015年
4 张文婷;交通环境下基于改进霍夫森林的目标检测与跟踪[D];华南理工大学;2015年
5 李强;基于多视角特征融合与随机森林的蛋白质结晶预测[D];南京理工大学;2015年
6 朱玟谦;一种收敛性随机森林在人脸检测中的应用研究[D];武汉理工大学;2015年
7 肖宇;基于序列图像的手势检测与识别算法研究[D];电子科技大学;2014年
8 李慧;一种改进的随机森林并行分类方法在运营商大数据的应用[D];电子科技大学;2015年
9 赵亚红;面向多类标分类的随机森林算法研究[D];哈尔滨工业大学;2014年
10 黎成;基于随机森林和ReliefF的致病SNP识别方法[D];西安电子科技大学;2014年
，本文编号：1475218
本文链接：https://www.wllwen.com/jingjilunwen/bxjjlw/1475218.html
