دوره 19، شماره 4 - ( 12-1401 )
جلد 19 شماره 4 صفحات 60-45 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Dehklharghani R, Emami H. Verification of unemployment benefits’ claims using Classifier Combination method. JSDP 2023; 19 (4) : 4
URL: http://jsdp.rcisp.ac.ir/article-1-1011-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1011-fa.html
دهخوارقانی رحیم، امامی حجت. اعتبارسنجی ادعای بیمه بیکاری با استفاده از روش ترکیب رده‌بندها. پردازش علائم و داده‌ها. 1401; 19 (4) :45-60
دانشگاه بناب
چکیده: (888 مشاهده)
بیمه بیکاری یکی از مهم‌ترین و پرطرفدارترین انواع بیمه در دنیای امروزی محسوب می‌شود. سازمان تأمین اجتماعی در مقابل ادعای بیکاری افراد تحت پوشش این سازمان، وظیفه بررسی صحت این موضوع را دارد. بررسی دستیِ ادعای افراد بیکار نیازمند صرف زمان و هزینه زیادی است. روشهای دادهکاوی و یادگیری ماشین به‌عنوان ابزارهای کارآمدِ تحلیل داده‌ها می‌تواند در خودکارسازی این فرآیند به سازمان تأمین اجتماعی کمک کنند. در این پژوهش، روشی مبتنی بر یادگیری نظارتی برای بررسی صحت ادعای بیکاری افراد متقاضی ارائه شده است. روش پیشنهادی، اطلاعات بیمه‌شدگان را به‌عنوان ورودی دریافت کرده و پس از تحلیل داده‌ها به هر فرد متقاضی امتیازی تخصیص می‌دهد. سپس بر اساس مقدار این امتیاز، مدعیان بیمه بیکاری را به دو گروه "شایسته دریافت بیمه بیکاری" و "فاقد کفایت برای دریافت بیمه بیکاری" دسته‌بندی می‌کند. روش پیشنهادی از دو ترکیب مختلف برای دسته‌بندی ادعای متقاضیان استفاده می‌کند: روش BSA-SVM و روش ترکیب ضرایب اطمینان طبقه‌بندها. در روش BSA-SVM برای بهبود کارایی و تخمین پارامترهای کنترلی SVM، از الگوریتم بهینه‌سازی جستجوی عقبگرد (BSA) استفاده شده‌است. در روش ترکیب ضرایب اطمینان طبقه‌بندها، تعدادی طبقه‌بند، از جمله شبکه‌های عصبی مصنوعی، درخت تصمیم و رگرسیون لجستیک داده‌ها را طبقه‌بندی کرده و ضرایب اطمینان این طبقه‌بندها با دو روش مختلف با همدیگر ترکیب می‌شوند. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی BSA-SVM با کسب 87% و روش ترکیب طبقه‌بندها با ضرایب اطمینان با کسب دقت 86%، کارایی بهتری در قیاس با سایر روشهای موجود کسب کرده اند.
شماره‌ی مقاله: 4
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1398/2/13 | پذیرش: 1399/2/24 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29
دریافت: 1398/2/13 | پذیرش: 1399/2/24 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29
فهرست منابع
1. [1] E.W.T.Ngai, Y. Hu, Y.H.Wong, Y.Chen, and X. Sun, "The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature," Decis. Support Syst., vol. 50, no. 3, pp. 559-569, 2011. [DOI:10.1016/j.dss.2010.08.006]
2. [2] ع. حسینی و ع. رضائی، "کشف تقلب و راهکارهای مقابله با آن در سازمانهای بیمهای با استفاده از دادهکاوی (مطالعه موردی: سازمان تأمین اجتماعی), " فصلنامه تأمین اجتماعی، دوره 14، شماره 1، ص 111-136، 1397.
3. [2] A. Hosseini, A. Rezaei, " Fraud detection and solutions to deal with it in insurance organizations using data mining (case study: Social Security Organization) ", Social Security Quarterly, vol. 14, no. 1, pp. 111-136.
4. [3] س. م. تقوی فرد، ز. جعفری، "کشف تقلب در بیمه بنده خودرو با بهره مندی از سامانه خبره فازی"، مدیریت فناوری اطلاعات، دوره 7، شماره 2، ص 239-258، 1394.
5. [3] S. M. Taqwa Fard, z. Jafari, "Detecting Fraud in Car Insurance Using Fuzzy Expert System", Information Technology Management, vol. 7, no. 2, pp. 239-258, 2014.
6. [4] A. Ghorbani and S. Farzai, "Fraud Detection in Automobile Insurance using a Data Mining Based Approach, " Int. J. Mechatronics, Electr. Comput. Technol., vol. 8, no. 27, pp. 3764-3771, 2018, doi: IJMEC/10.225163.
7. [5] م. فیروزی، م. شکوری، ل. کاظمی، س. زاهدی؛ "شناسایی تقلب در بیمه اتومبیل با استفاده از روشهای دادهکاوی"، پژوهشنامه بیمه، دوره 26، شماره 3، ص. 103-128، 1390.
8. [5] M. Firouzi, M. Shakuri, L. Kazemi, S. ascetic; "Identifying fraud in car insurance using data mining methods", Insurance Research Journal, vol. 26, no. 3, p. 103-128, 1390.
9. [6] "Viaene, S. and Dedene, G., 2004. Insurance fraud: issues and challenges. Geneva Papers on Risk and Insurance and Practice, 29, pp.313-33.". [DOI:10.1111/j.1468-0440.2004.00290.x]
10. [7] ن. حاجی حیدری، س. خالهء و ا. فراهی؛ "ردهبندی میزان ریسک بیمهگذاران بیمه بنده خودرو با استفاده از الگوریتمهای دادهکاوی (مورد مطالعه: یک شرکت بیمه) "، پژوهشنامه بیمه، دوره 26، شماره 4، ص. 107-129، 1390.
11. [7] N. Haji Heydari, S. Khalaha and A. Farahi; "Classification of the risk level of car insurance policyholders using data mining algorithms (case study: an insurance company), " Insurance Research Journal, vol. 26, no. 4, p. 107-129, 1390.
12. [8] ل. حسینزاده، "دسته بندی مشتریان هدف در صنعت بیمه با استفاده از دادهکاوی"، پایان نامه کارشناسیارشد، دانشگاه تربیتمدرس، سال 1386.
13. [8] L. Hosseinzadeh, "Categories of target customers in the insurance industry using data mining", master's thesis, Tarbiat Modares University, 2016.
14. [9] ژ. آقابیگی و س. رضائی, "اعتبار سنجی مشتریان اعتباری بانک ملی بر اساس تکنیکهای دادهکاوی (رگرسیون لجستیک) " اولین کنفرانس دادهکاوی ایران، 1386.
15. [9] J. Aghabeigi and S. Rezaei, "Validation of credit customers of Melli Bank based on data mining techniques (logistic regression) ", 2016.
16. [10] ر. تهرانی و م. ف. شمس, "طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور, " مجله علوم اجتماعی و انسانی دانشگاه شیراز، دوره 43، ص. 45-60، 1384.
17. [10] R. Tehrani and M. F. Shams, "Designing and explaining the credit risk model in the country's banking system, " Journal of Social Sciences and Humanities of Shiraz University
18. [11]م. محمدخان, م. اسماعیلی و م. یاراحمدی، "طراحی مدل ارزیابی ریسک اعتباری مشتریان بانک با استفاده از مدل رگرسیون نجستیک" ششمین کنفرانس بین المللی مهندسی صنایع، 1387.
19. [11] M. Mohammad Khan, M. Ismaili, and M. Yarahamdi, "Designing a credit risk assessment model for bank customers using a logistic regression model," 2017.
20. [12] M. Galar, A. Fernández, E. Barrenechea, H. Bustince, and F. Herrera, "An overview of ensemble methods for binary classifiers in multi-class problems: Experimental study on one-vs-one and one-vs-all schemes, " Pattern Recognit., vol. 44, no. 8, pp. 1761-1776, 2011. [DOI:10.1016/j.patcog.2011.01.017]
21. [13] Z.-G. Liu, Q. Pan, J. Dezert, and A. Martin, "Combination of classifiers with optimal weight based on evidential reasoning," IEEE Trans. Fuzzy Syst., vol. 26, no. 3, pp. 1217-1230, 2017. [DOI:10.1109/TFUZZ.2017.2718483]
22. [14] M. A. Duval-Poo, J. Sosa-Garcia, A. Guerra-Gandón, S. Vega-Pons, and J. Ruiz-Shulcloper, "A new classifier combination scheme using clustering ensemble, " in Iberoamerican Congress on Pattern Recognition, 2012, pp. 154-161. [DOI:10.1007/978-3-642-33275-3_19]
23. [15]B. Krawczyk and M. Woźniak, "Untrained weighted classifier combination with embedded ensemble pruning, " Neurocomputing, vol. 196, pp. 14-22, 2016. [DOI:10.1016/j.neucom.2016.02.040]
24. [16]R. Pan, T. Yang, J. Cao, K. Lu, and Z. Zhang, "Missing data imputation by K nearest neighbours based on grey relational structure and mutual information, " Appl. Intell., vol. 43, no. 3, pp. 614-632, 2015, doi: 10.1007/s10489-015-0666-x. [DOI:10.1007/s10489-015-0666-x]
25. [17]D. E. N. Frossard, I. O. Nunes, and R. A. Krohling, "An approach to dealing with missing values in heterogeneous data using k-nearest neighbors, " arXiv Prepr. arXiv1608.04037, 2016, [Online]. Available: http://arxiv.org/abs/1608.04037
26. [18]V. Kumar and S. Minz, "Feature selection: a literature review, " Smart Comput. Rev., vol. 4, no. 3, pp. 211-229, 2014, doi: 10.1504/ijise.2013.052279. [DOI:10.1504/IJISE.2013.052279]
27. [19] M. V. Erp, L. G. Vuurpijl, and L.. Schomaker, "An Overview and Comparison of Voting Methods for Pattern Recognition, " in Proc. of the 8th International Workshop on Frontiers in Handwriting Recognition (IWFHR-8), Niagara-onthe-Lake, Canada, 2002, pp. 195-200.
28. [20] L. A. Alexandre, A. C. Campilho, and M. Kamel, "Combining independent and unbiased classifiers using weighted average, " in Proceedings 15th International Conference on Pattern Recognition. ICPR-2000, 2000, vol. 2, pp. 495-498.
29. [21]R. Yager and L. Liu, Classic Works of the Dempster-Shafer Theory of Belief Functions, vol. 219. 2008. doi: 10.1007/978-3-540-44792-4. [DOI:10.1007/978-3-540-44792-4]
30. [22]P. Civicioglu, "Backtracking Search Optimization Algorithm for numerical optimization problems, " Appl. Math. Comput., vol. 219, no. 15, pp. 8121-8144, 2013. [DOI:10.1016/j.amc.2013.02.017]
31. [23]D. M. W. Powers, "Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness and Correlation, " J. Mach. Learn. Technol., vol. 2, no. 1, pp. 37-63, 2011.
32. [24]م. ت. فرد، ف. س. حسینی، و م. خ. بابایی، "مدل رتبه بندی اعتباری هیبریدی با استفاده از الگوریتمهای ژنتیک و سیستمهای خبره فازی (مطالعه موردی: مؤسسه مالی و اعتباری قوامین)، " مدیریت فناوری اطلاعات, دوره 6، شماره 1، ص. 31-46، 1393.
33. [24] M. T. Fard, F. s. Hosseini, and M. Kh. Babaei, "Hybrid Credit Rating Model Using Genetic Algorithms and Fuzzy Expert Systems (Case Study: Qavamin Financial and Credit Institute), " Information Technology Management, vol. 6, no. 1, pp. 31-46, 2013.
34. [25]م. صالحی و ع. کتولی، "انتخاب ویژگیهای بهینه بهمنظور تعیین ریسک اعتباری مشتریان بانکی, " فصلنامه مطالعات مدیریت کسب و کار هوشمند، دوره 6، شماره 2، ص. 129-154، 1396.
35. [25] M. Salehi and A. Katoli, "Choosing the optimal features in order to determine the credit risk of bank customers, " Smart Business Management Studies Quarterly, vol. 6, no. 2, pp. 129-154, 2016.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
