نجمه یرفی - فارغ التحصیل کارشناسی ارشد رشته آمار ریاضی ، دانشگاه تهران
محمدحسن تدینی - مدیر درمان، شرکت بیمه دانا، تهران

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 .

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