دانلود پروپوزال مقایسه تکنیکها و ابزارهای داده کاوی برای کشف تقلب در بیمههای خودرو |
|||
|---|---|---|---|
| عنوان فارسی پروپوزال | مقایسه تکنیکها و ابزارهای داده کاوی برای کشف تقلب در بیمههای خودرو | ||
| عنوان انگلیسی پروپوزال | comparing data mining techniques and tools to detect Automobile insurance fraud | ||
| قابلیت ویرایش | دارد | ||
| سال نگارش | 2024-1403 | ||
| رشته | کامپیوتر و مهندسی صنایع ، اقتصاد | ||
| قالب فایل | Word | ||
این پروپوزال دارای مقاله بیس میباشد که قابل مشاهده و دانلود می باشد:
فهرست مطالب پروپوزال
مقایسه تکنیکها و ابزارهای داده کاوی برای کشف تقلب در بیمههای خودرو
- بیان مساله اساسی تحقیق
- اهمیت و ضرورت انجام تحقیق
- مرور ادبیات و سوابق مربوطه
- جنبه جدید بودن و نوآوری در تحقیق
- اهداف مشخص تحقیق
- سؤالات تحقیق
- فرضیه های تحقیق
- روش شناسی تحقیق
- متغیرهای مورد بررسی در قالب یک مدل مفهومی
- شرح کامل روش (میدانی، کتابخانهای) و ابزار
- جامعه آماری، روش نمونه گیری و حجم نمونه
- روش‌ها و ابزار تجزیه و تحلیل داده ها
- مراجع
بیان مساله
درخواست های تقلبی بیمه بین ۵ تا ۱۰ درصد از کل مطالبات بیمه را شامل می شود و شرکت های بیمه هر ساله مبالغ سنگینی را برای پاسخگویی به این مطالبات هزینه می کنند. در بین انواع مختلف در خواست های جعلی بیمه ، بیمه اتومبیل رایج ترین آن است. تقلب در بیمه اتومبیل می تواند به اشکال مختلفی از جمله ایجاد صحنه تصادف ، عدم حضور دارنده بیمه نامه در تصادف مورد ادعا، مصدومیت جعلی و بسیاری از موارد نادرست دیگر ایجاد شود. بنابراین ، چگونگی شناسایی درست تقلب در بیمه ، به موضوعی داغ در صنعت بیمه و تحقیقات دانشگاهی تبدیل شده است. (مون و همکاران، ۲۰۱۹) کشف تقلب
در سالهای اخیر، تکنیک های داده کاوی کمک شایانی را در شناسایی و پیشگیری از تقلب در صنعت بیمه کرده اند. با استفاده از تکنیک‌های داده‌کاوی می‌توان به تجزیه و تحلیل داده‌های شرکت های بیمه پرداخت و دانشی در مورد درخواست های حقیقی و یا تقلبی بیمه بدست آورد و با استفاده از این دانش، سایر موارد تخلف را شناسایی کرد. تاکنون تکنیک‌های داده‌کاوی متفاوتی جهت کشف موارد تقلب معرفی شده است و هر کدام مزایا و معایب مخصوص به خود را دارا هستند. در این تحقیق با در نظر گرفتن مجموعه داده مروبط به یک شرکت بیمه گر، به بررسی و مقایسه رویکردهای خوشه بندی فازی، جنگل تصادفی ، الگوریتم ژنتیک و شبکه عصبی جهت تشخیص تقلب می پردازیم. هر یک از رویکردها با توجه به معیارهای ………………
برخی از مراجع
McCarthy, R., Ceccucci, W., McCarthy, M. and Halawi, L., 2024. Alpha Insurance: A Predictive Analytics Case to Analyze Automobile Insurance Fraud using SAS Enterprise Miner. Information Systems Education Journal, 17(2), p.20.
Li, Y., Yan, C., Liu, W. and Li, M., 2023. A principle component analysis-based random forest with the potential nearest neighbor method for automobile insurance fraud identification. Applied Soft Computing, ۷۰, pp.1000-1009
Wang, Y. and Xu, W., 2018. Leveraging deep learning with LDA-based text analytics to detect automobile insurance fraud. Decision Support Systems, ۱۰۵, pp.87-95.
Majhi, S.K., Bhatachharya, S., Pradhan, R. and Biswal, S., 2019. Fuzzy clustering using salp swarm algorithm for automobile insurance fraud detection. Journal of Intelligent & Fuzzy Systems, ۳۶(۳), pp.2333-2344.
Li, Y., Yan, C., Liu, W. and Li, M., 2023. A principle component analysis-based random forest with the potential nearest neighbor method for automobile insurance fraud identification. Applied Soft Computing, ۷۰, pp.1000-1009.
Yan, C., Li, M., Liu, W. and Qi, M., 2019. Improved adaptive genetic algorithm for the vehicle Insurance Fraud Identification Model based on a
BP Neural Network. Theoretical Computer Science.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.