论文数据挖掘在车险欺诈和识别中应用是关于本文可作为数据挖掘方面的大学硕士与本科毕业论文大数据挖掘工具论文开题报告范文和职称论文论文写作参考文献下载。
【摘 要】随着我国保险行业的不断发展,针对车险的欺诈问题也日益严峻,使得保险公司每年遭受巨大的损失.为了发现和防止保险中的欺诈,保险公司在不断的寻求新的方法来解决这一问题.本文结合数据挖掘的方法,对车险欺诈问题的检测提出建议.
【关键词】数据挖掘 车险欺诈 识别
一、车险欺诈的背景
保险行业的健康发展,是我国经济建设的重要环节.随着人们生活水平的不断提高,汽车在我们的生活中也扮演者越来越重要的作用.截止2015年年底,中国居民平均每百户的汽车拥有量已达22.7,该年度保险公司总保费为24282.5亿元,其中机动车辆保险费为6199亿元,占总数的25.5%.而机动车量理赔金额达3335.60亿元,据统计,我国车辆保险的欺诈比例约为20%,按此计算,我国车险欺诈赔付金额高达667.12亿元,对我国保险企业造成了巨大的损失[1][2].
车险欺诈问题,目前已经发展成为全球性问题.英国保险人协会的统计指出,在2008年,由于保险欺诈给英国保险企业带来了每周1400英镑的损失,比去年增长了30个百分点,在每25个保单中就存在1份欺诈保单.美国保险反欺诈联盟的统计指出,在2009年的机动车车身损害索赔的保单中,由保险欺诈带来的损失占总金额的17%至20%.
保险欺诈是保险业面临的最大问题之一,会造成巨大的经济损失.保险欺诈可能发生在各个阶段及各个实体,如现有的保险公司、受影响的第三方及为保险公司提供服务的专家等,诈骗的形式也多种多样,可能远远超出我们实际的估计次数.因此,如何有效的识别出汽车保单中的欺诈问题,是保险业一个重要的研究课题.
二、车险欺诈的原因
通过汽车保险欺诈的方式,使得保单持有者通过不真实的索赔获得了高额的利润,这会增加保险公司对于欺诈风险的恐惧,由此会导致保险公司进一步提高保费,因此每个参保人都会成为少数保险欺诈的受害者.车险欺诈按照不同的欺诈内容划分,分为硬性和软性保险欺诈,其中硬性保险欺诈是指用户在未发生事故时,在保单的承保范围内,虚假编造事故的发生,获得保费；软性保险欺诈是指发生事故后,用户夸大事故真相,骗取高额保费.
目前,引发车险欺诈的原因主要包括三个方面：
(一)社会原因
保险业的健康发展和我们的社会环境息息相关,在社会经济高速发展的大背景下,如果公民自身的素质水平不高、法律意识淡薄或者社会忽视对保险欺诈者的惩罚,在欺诈的高额利润下,会导致保险欺诈现象层出不穷.
(二)保险业的自身性质
保险是管理风险的一种重要的方式,其主要目的是当汽车发生意外,能够支付维修车辆的费用.从保险行业的自身性质来看,保险行业自身存在着一种可能,就是以较少的投入,获得较高的赔付金额,由于保险的损失是人为衡量的且由于保险人和被保险人之间的利益关系,也会导致欺诈现象的产生.
(三)保险公司内部的原因
保险公司自身的监管意识薄弱,是保险欺诈产生的最直接原因.由于我国的保险行业在一些方面还不是成熟,针对骗保的风险管理机制还不是很成熟,由于保险条款的局限性,公司在风险管理制度上的漏洞,保险公司内部人员的勾结和不同公司间的恶意竞争,都会引发保险欺诈的产生.
三、基于数据挖掘的车险欺诈识别方法
根据保险欺诈产生的原因中可知,对于社会原因和保险业自身性质的改變,在短时间内难以完成,因此,将解决保险公司内部的原因,作为我们防止欺诈的主要手段.数据挖掘方法可以有效的从数据集中发现和提取信息,因此,近年来成为对保险欺诈进行精确识别的一种有效的方法.利用数据挖掘技术来判断车险欺诈,最主要的目的是确定数据挖掘技术和保险欺诈数据之间的亲和度（相似性或联系）,即确定分类模型和保险欺诈数据之间的关系,实现对不同类别的未知对象的分类标签进行预测.本文对神经网络、朴素贝叶斯技术、决策树和支持向量机这几种技术进行说明.
(一)神经网络
神经网络技术,是一种通过样本训练的自适应机器学习方法,它包括三个部分：（1）由表示预测变量节点组成的输入层；（2）由执行计算的节点组成的隐藏层；（3）由表示目标变量节点组成的输出层.该方法具有较好的分类、关联、特征提取、抗噪声和容错能力.
(二)朴素贝叶斯技术
朴素的贝叶斯分类器是一个简单的基于贝叶斯定理的概率分类器和预测变量之间的独立假设.简单来说,一个朴素的贝叶斯分类器假定存在（或不存在）类的特定特征和任何其他特征的存在（或不存在）无关.朴素贝叶斯模型构建方法简单,没有复杂的迭代参数估计,对于大型数据集具有较好的效果.
(三)决策树
决策树以树的形式构建分类或者回归模型.它将数据集分解为越来越小的子集,同时相关的决策树模型也逐渐发展,最终获得的结果是具有决策节点和叶子节点的树.决策节点具有两个或者更多的分支,而叶子节点代表分类或决定.对应于最佳预测器的树中最顶层的决策节点称为根节点.决策树具有很多吸引人的属性：和人类决策过程类似,易于理解,并且灵活性高.
(四)支持向量机
支持向量机通过找到两个类之间的最大边距得到的最优超平面来执行分类.定义超平面的矢量称为支持向量.在支持向量机的计算过程中,预测变量称为属性,选择最合适的属性表示的过程被称为特征选择.因此,支持向量机建模的目的是找到分离向量集群的最优超平面,使得目标变量被分为两类.超平面附近的矢量是支持向量.该方法具有以下特点：精度高,灵活性高,处理方便.通常情况下,每个分类模型都使用一组相关特征或参数来表征对象.在这里,我们使用被称为训练集的一组已知对象由分类程序用来学习如何对对象进行分类,这种方法被称为监督学习.构建分类器主要包括两个阶段：（1）训练阶段,训练集用于决定如何将参数加权和组合以分离各种对象,（2）应用阶段,在训练集中确定的权重被应用于一组没有已知类的对象,以便确定他们的类别可能是什么.
汽车保险欺诈的数据集大多来自于保险受益人的索赔表,这些数据集具有以下特征：投保个人信息（包括年龄、收入、性别和受教育程度等）,索赔金额,个人信用评级,类别（合法/欺诈）等.通过对数据集的特征进行归一化处理,并结合上述数据挖掘技术,实现对保险数据集的分类,达到对车险欺诈进行识别的目的.
四、结论
车险欺诈现象日趋严重,其中,如何对保单中的欺诈现象进行识别,进而及时有效的对具有欺诈风险的保单进行预测和管理具有十分重要的意义.利用数据挖掘技术为车险欺诈的识别提供了有力的工具,利用数据挖掘技术将保险数据集转换为一种分类的形式,进而实现了对保险公司对于欺诈现象的预测,具有较好的应用潜力.
参考文献
[1]张立东.基于数据挖掘模型的车险保费个性化定价系统研究[D].燕山大学.2014.
[2]叶明华.基于BP神经网络的保险欺诈识别研究—以中国机动车保险索赔为例[J].保险研究.2011.03：79-86.
作者简介：赵彦竹（1991-）,女,满族,吉林长春人,硕士研究生,研究方向：机器学习和精算.
总结:这篇数据挖掘论文范文为免费优秀学术论文范文,可用于相关写作参考。
参考文献：
1、 基于数据挖掘大型企业人力资源需求预测 摘要：对企业的人力资源需求预测方法进行梳理和分析，提出人力资源需求预测作为数据挖掘问题的研究思路。通过对典型数据挖掘工具支持向量机的理论分析，设。
2、 数据挖掘技术在档案管理中应用 [摘 要]信息技术快速发展，数据挖掘技术的出现使信息管理逐渐实现智能化、信息化。数据挖掘技术在档案管理中也发挥着至关重要的作用，其能够使档案管理。
3、 数据挖掘技术在电网资产管理系统中应用 [摘 要] 电网资产管理贯穿了供电企业的诸多生产业务范围，其覆盖范围广、体系种类庞杂、数量庞大等特点。在电网资产信息化管理建设进程中，针对电网“。
4、 大数据挖掘在工程项目管理中运月 近年来，传统的工程项目管理模式已经无法满足新形势下工程项目管理模式的需求，探索工程项目管理新模式具有十分重要的现实意义。本文基于大数据挖掘技术，。
5、 数据挖掘作为交叉学科特点 【摘要】本文主要讲述了数据挖掘的内涵以及作为机器学习，数据仓库，统计学，智能决策等多个学科的交叉学科的特点。【关键词】数据挖掘 机器学习 数据。