محمد جهانگیری - دانشگاه آزاد اسلامی واحد اصفهان خوراسگان، گروه کامپیوتر، خوراسگان، اصفهان، ایران
کیوان محبی - دانشگاه آزاد اسلامی واحد مبارکه، گروه برق و کامپیوتر، مبارکه، اصفهان، ایران

سازمان تامین اجتماعی از بزرگترین سازمانهایی است که با حجم عظیمی از دادههای خام مشتریان که درطی هر دوره عملکردی به وجود میآید، روبرو است. دادهها بهصورت خام قابل استفاده نیستند، بلکه دانش موجود در آنهاباید استخراج گردد. استفاده از ابزار دادهکاوی میتواند جهت کشف دانش بسیار مفید و موثر باشد. یکی از چالشهای پیش روی سازمان تامین اجتماعی، پیش بینی دقیق و سریع نوع بیمه مشتریان آن است. برای حل این مشکل، در این مقالهانواع مدلهای ترکیبی از دستهبندهای پایه در قالب چهار روش طبقهبندی، ترقی دادن، پشته سازی و رایگیری ارایه و عملکرد آنها مورد سنجش و مقایسه قرار گرفته است. بر اساس نتایج ارزیابیها، بیشترین دقت، در مدل ترکیبی پشته- سازی با دستهبند پایه رگرسیون لجستیک و دستهبندهای درخت کاربردی، درخت تصمیم متناوب، کتابخانه ماشین بردارپشتیبان و بهینهسازی متوالی کمینه به دست آمد که در مقایسه با الگوریتمهای پایه بهبود قابل توجهی داشتهاند

نوع بیمه، دادهکاوی، دستهبندی، ماشین بردار پشتیبان، یادگیری ترکیبی