数据挖掘在我国家庭保险购买行为分析上的应用

发布时间：2019-09-25 16:42

【摘要】：近年来,随着大数据技术兴起,数据挖掘技术已经广泛应用到各个领域,并取得了显著的应用成果,但数据挖掘技术在我国保险领域的应用还不够成熟,同时我国保险公司也急需改变传统营销方式,提升数据利用价值,探索数字化营销模式,数据挖掘技术能很好地应用到该模式中。在这样的背景下,本文主要研究了数据挖掘算法在保险公司客户识别等方面的应用,并从家庭角度分析了我国居民的保险产品购买行为,以此为保险公司进行产品营销提供参考。首先本文简单介绍了数据挖掘理论以及常见的分类算法,详细介绍了决策树和支持向量机模型;并针对建模过程中出现的样本严重不平衡问题,分析了样本不平衡对分类结果的影响,简单介绍了常见的处理方法,并对支持向量机算法进行了改进,利用距离来调整每个样本的误分代价,以此解决样本不平衡问题。之后利用2013年中国综合社会调查数据进行了实证分析,建立了各类数据挖掘模型以及改进的支持向量机模型,并比较了各类模型的分类准确率。实证结果表明改进的支持向量机模型很好的解决了样本不平衡问题,对家庭保险购买行为的预测较准确,能有效识别有价值客户,同时改进的支持向量机模型的分类性能优于其他常见的数据挖掘模型。同时根据加入误分代价的决策树模型建立的分类规则,论文找出了影响我国家庭是否购买保险产品的主要因素,并为保险公司进行客户识别和产品精准营销提出了建议。
【图文】：

函数,函数表达式,单调递增

ii同样，由于总体重心未知，在实际应用中，，利用训练样本重心代替 mmii1XX()()12TS X XX X mi211 ΣS m所以样本ix 到负例总体重心的距离为() ()2T1 X XΣX X iid为防止距离数值过大影响模型求解难度，利用 Sigmoid 函数将距离值映射到和 1 之间。Sigmoid 函数表达式如下 xefx 11Sigmoid 函数单调递增，取值位于 0 和 1 之间，如图 3-1 所示

树形图,树形图,家庭,年收入

表 4-12 自变量的重要性自变量重要性标准化的重要性个人年收入 0.106 100.0%家庭年收入 0.100 94.3%学历 0.041 38.7%是否从事金融投资活动 0.027 25.0%是否工会成员 0.007 7.1%是否参与基本医疗保险 0.005 5.0%现有房产数量 0.005 4.6%是否拥有家用汽车 0.005 4.3%年龄 0.003 2.9%婚姻状况 0.003 2.9%家庭居住地区类型 0.001 1.0%身体状况 0.001 0.8%家庭常住人口 0 0%
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP311.13

【参考文献】