fa اعتبارسنجی ادعای بیمه بیکاری با استفاده از روش ترکیب رده‌بندها مقالات پردازش داده‌های رقمی Paper پژوهشي Research 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 &quot;شایسته دریافت بیمه بیکاری&quot; و &quot;فاقد کفایت برای دریافت بیمه بیکاری&quot; دسته‌بندی می‌کند. روش پیشنهادی از دو ترکیب مختلف برای دسته‌بندی ادعای متقاضیان استفاده می‌کند: روش <span dir="LTR">BSA-SVM</span> و روش ترکیب&nbsp; ضرایب اطمینان طبقه‌بندها. در روش <span dir="LTR">BSA-SVM</span> برای بهبود کارایی و تخمین پارامترهای کنترلی <span dir="LTR">SVM</span>، از الگوریتم بهینه‌سازی جستجوی عقبگرد (<span dir="LTR">BSA</span>) استفاده شده‌است. در روش ترکیب&nbsp; 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 <span dir="LTR">BSA-SVM</span> 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.<span dir="LTR"></span><br> <span dir="LTR"></span> Unemployment insurance is one of the most popular insurance types in the modern world. The Social Security Organization is responsible for checking the unemployment benefits of individuals supported by unemployment insurance. Hand-crafted evaluation of unemployment claims requires a big deal of time and money. Data mining and machine learning as two efficient tools for data analysis can assist Social Security Organization in automating this process. In this research work, a hybrid supervised learning method is proposed to verify the eligibility of applicants for unemployment. The proposed method takes as input the information of insured individuals, and assigns a numeric score to each applicant through analyzing the input data. Then, claimants are classified into two groups according to those scores: &quot;Qualified&rdquo; and &quot;Unqualified&quot;. The proposed method includes two hybrid strategies: BSA-SVM and combination of confidence values. In BSA-SVM method, backtracking search algorithm (BSA) is used to estimate the prameters of support vector machines (SVM) and improves the classification performance. In the second approach, confidence values extracted from individual classofiers are combined to better classify the input data. Empirical evaluation shows an accuracy of 87% for BSA-SVM and 86% for the second approach.<br> <span dir="RTL"></span> بیمه بیکاری, داده‌کاوی, یادگیری ماشین, یادگیری نظارتی, BSA-SVM, ترکیب طبقه‌بندها. Unemployment benefits, data mining, machine learning, supervised learning, BSA-SVM, classifier combination. 45 60 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1704-2&slc_lang=fa&sid=1 Rahim Dehklharghani رحیم دهخوارقانی rdehkharghani@bonabu.ac.ir 100319475328460012531 100319475328460012531 Yes University of Bonab دانشگاه بناب Hojat Emami حجت امامی emami@bonabu.ac.ir 100319475328460012532 100319475328460012532 No University of Bonab دانشگاه بناب