检测汽车保险欺诈使用一种新的惩罚驱动特征选择方法与粒子群集优化和机器学习分类器
Öznur Özaltın1, Övgücan Karadağ Erdemir2
1Department of Actuarial Science, Faculty of Science, Hacettepe University, Ankara, Turkey. oznurozaltin@hacettepe.edu.tr.
Scientific reports
|November 25, 2025
概括
一种新的罚款驱动功能选择方法改善了汽车保险欺诈的检测. 这种方法提高了模型的概括性和可解释性,为保险公司提供了一个实用的工具.
科学领域:
- 数据科学数据科学数据科学
- 机器学习 机器学习
- 保险分析 保险分析
背景情况:
- 汽车保险欺诈会造成巨大的财务损失.
- 传统的机器学习方法与高维度,不平衡的数据作斗争,缺乏可解释性.
研究的目的:
- 开发一种使用粒子群优化进行惩罚驱动的特征选择方法.
- 提高在欺诈检测中的模型概括性和可解释性.
主要方法:
- 在"Angoss carclaims"数据集上应用了惩罚驱动的特征选择方法与粒子群优化.
- 使用合成少数人过量抽样技术的平衡数据.
- 评估了11个机器学习分类器,包括组合和提升方法,具有超参数调整,并根据四个值进行评估.
主要成果:
- 堆叠分类器实现了97.55%的准确性和0.9754平衡的F1分数.
- 在α=0.65.5的值下,通过16个特征的减少特征集达到最佳性能.
- 拟议的框架表明了预测准确性和可解释性之间的平衡.
结论:
- 开发的框架有效地检测汽车保险欺诈行为.
- 该方法为增强保险分析中的欺诈检测系统提供了实用解决方案.


