تشخیص تخلف به کمک اعتبارسنجی داده های بیمه درمان برپایه مدل یادگیری عمیق مارکف

بیمه درمان با هدف ارائه یک سری خدمات به بیمه شدگان انجام می شود. به دلیل حجم بالای داده های بیمه ، نیاز است تا روش های تحلیلی مختلفی روی آن ها صورت گیرد. این تحقیق در حوزه تشخیص تخلف از داده های واقعی شرکت بیمه دانا انجام شده است . تجزیه و تحلیل داده های بیمه ، یک فرآیند پیچیده است که شامل اطلاعاتی است که از منابع مختلف جمع آوری شده است . با توجه به ماهیت گسترده این اطلاعات، فعالیت های عملیاتی یا تحقیقاتی در صورت پشتیبانی توسط تکنیک ها و ابزارهای اختصاصی می توانند بسیار بهبود یابد. به کارگیری عملیات داده کاوی با هدف کشف دانش جدید از داده های بیمه با یک رویکرد هوشمند، مدنظر این تحقیق است . رویکرد این تحقیق به کارگیری مدل یادگیری عمیق مارکف برای تشخیص کلاهبرداری و جعل سند کاربران برای دریافت هزینه بیمه است ، اما به دلیل ضعف در شناسایی دقیق ویژگی های تخلف ، از روش اصل انتروپی حداکثری (MFP) نیز استفاده می گردد. این رویکرد، یک نگاشت از خوشه بندی و استخراج ویژگی ها به طبقه بندی برای تشخیص دقیق را خواهد داشت . براساس تحلیل و شبیه سازی انجام گرفته ، مشاهده می شود که رویکرد پیشنهادی یعنی مدل یادگیری عمیق مارکف مبتنی بر اصل انتروپی حداکثری یا MDL-MFP، دارای دقت ۸۷% و نسبت به روش کلاسیک استفاده تنها از مدل یادگیری عمیق مارکف برابر ۷۱,۸۴% برتری عملکردی دارد. در این تحلیل مشاهده می شود که در یک داده واقعی بیمه ، در داده سوم و چهارم آن با یک تحلیل جامع و رسیدن به خروجی های مختلف ، دو تخلف وجود داشته است .

Keywords:

اعتبارسنجی داده های بیمه درمان , تشخیص تخلف , یادگیری عمیق مارک ف , اصل انتروپی حداکثری , داده کاوی