پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران

word
100
1 MB
30601
1392
کارشناسی ارشد
قیمت: ۱۳,۰۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران

    پایان‌نامه کارشناسی ارشد

    در رشته‌ی کامپیوتر -  مهندسی نرم افزار

    چکیده

    بررسی اطلاعات بیمه های اتومبیل نشان داده عواملی چون نوع استفاده خودرو، داشتن گواهینامه رانندگی، نوع گواهینامه و تطابق یا عدم تطابق آن با وسیله نقلیه، مبلغ حق بیمه، میزان تعهدات بیمه نامه، کیفیت خودروی خودرو سازان، سن راننده، سواد راننده، عدم تطابق حق بیمه با مورد بیمه، تاخیردرتمدید بیمه نامه، در سود و زیان شرکت های بیمه تاثیر داشته اند.

    هدف این پایان نامه شناخت عوامل اثرگذار و ضریب تاثیر آنها در سود و زیان بیمه شخص ثالث خودرو شرکت های بیمه با استفاده از روش داده کاوی و  سپس انتخاب الگوریتمی که بهترین میزان دقت پیش بینی برای تشخیص این عوامل را داشته اند می باشد.

    نتیجه حاصل از این پژوهش نشان می دهد که روشهای داده کاوی با استفاده از الگوریتم های دسته بندی با دقت بالای 91% و الگوریتم های درخت تصمیم با دقت بالای 96% و الگوریتم های خوشه بندی با ایجاد خوشه های قابل قبول  قادر به ارائه مدلی برای تشخیص عوامل اثرگذار و تعیین میزان اثر آنها در سود و زیان بیمه نامه شخص ثالث خودرو خواهند بود.

     

    کلیدواژگان: داده کاوی بیمه شخص ثالث خودرو سود و زیان

    فصل اول

    مقدمه

     

     

    شرکتهای تجاری و بازرگانی برای ادامه بقا و حفظ بازار همواره بر سود دهی و کاهش ضرر و زیان خود تاکید دارند از این رو  روشهای جذب مشتری و همچنین تکنیکهای جلوگیری یا کاهش زیان در سرلوحه کاری این شرکتها قرار می گیرد.

    از جمله شرکتهایی که بدلایل مختلف در معرض کاهش سود و یا افزایش زیان قرار می گیرند شرکتهای بیمه ای می باشند. عواملی همچون بازاریابی، وفاداری مشتریان، نرخ حق بیمه، تبلیغات، تقلب، می تواند باعث جذب یا دفع مشتری گردد که در سود و زیان تاثیر مستقیم و غیر مستقیم دارد.

     پرداخت خسارت نیز به عنوان تعهد شرکتهای بیمه  منجر به کاهش سود و در بعضی موارد موجب زیان یک شرکت بیمه می شود. خسارت می تواند بدلایل مختلف رخ دهد و یا عملی دیگر به گونه ای خسارت جلوه داده شود که در واقع اینچنین نیست[Derrig et. al 2006].

    عواملی از قبیل فرهنگ رانندگی، داشتن گواهینامه رانندگی، نوع گواهینامه و تطابق یا عدم تطابق آن با وسیله نقلیه، جاده های بین شهری و خیابانهای داخل شهر که شهرداری ها و ادارات راه را به چالش می کشد، تقلب، وضعیت آب و هوا، کیفیت خودروی خودرو سازان، سن راننده، سواد راننده، عدم تطابق حق بیمه با مورد بیمه [Wilson 2003]، روزهای تعطیل، مسافرتها و بسیاری موارد دیگر می توانند موجب خسارت و در نهایت افزایش زیان یک شرکت بیمه ای گردند.

    بیمه صنعتی سودمند، ضروری و مؤثر در توسعه اقتصادی است. این صنعت بدلیل «افزایش امنیت در عرصه های مختلف زندگی و فعالیتهای اقتصادی»، «افزایش سرمایه گذاری و اشتغال و رشد اقتصادی» و « ارتقای عدالت اقتصادی  و کاهش فقر ناشی از مخاطرات »، حائز  جایگاه مهمی در پیشرفت و تعالی یک کشور است.

    با وجود نقش مهم بیمه در بسترسازی و تأمین شرایط مساعد اقتصادی، وضعیت کنونی این صنعت در اقتصاد ملی با وضعیت مطلوب آن فاصله زیادی دارد. عدم آشنایی عمومی و کم بودن تقاضا برای محصولات بیمه ای، دانش فنی پایین در عرصه خدمات بیمه ای، عدم تطابق ریسک با حق بیمه، تفاوت فاحش در مقایسه معیارهای تشخیص ریسک بیمه شخص ثالث با نوع بیمه معادل در کشورهای توسعه یافته، وجود نارسایی ها در مدیریت واحدهای عرضه بیمه از دلایل عدم توسعه مناسب این صنعت در کشور است. از آنجا که بشر در طول تاریخ به کمک علم و تجربه رستگاری ها و توفیقات فراوانی  کسب کرده است، نگاه علمی تر به مشکلات این صنعت و یافتن راه حل در بستر علم می تواند راه گشا باشد.

    امروزه بوسیله روشهای داده کاوی ارتباط بین فاکتورهای مختلف موثر یا غیر موثر در یک موضوع مشخص می شود و با توجه به اینکه داده کاوی ابزاری مفید در استخراج دانش از  داده های انبوه می باشد که ارتباطات نهفته بین آنها را نشان می دهد، شرکتهای تجاری بازرگانی رو به این تکنیکها آورده اند.

     داده کاوی محدود به استفاده از فناوری ها نیست و از هرآنچه که برایش مفید واقع شود استفاده خواهد کرد. با این وجود آمار و کامپیوتر پر استفاده ترین علوم و فناوری های مورد استفاده داده کاوی است.

    1-1     تعریف داده کاوی

     

    داده کاوی روند کشف قوانین و دانش ناشناخته و مفید از انبوه داده ها و پایگاه داده است[ Liu et. al 2012].

    انجام عمل داده کاوی نیز مانند هر عمل دیگری مراحل خاص خود را دارد که به شرح زیر می باشند:

    1-جدا سازی داده مفید از داده بیگانه

    2-یکپارچه سازی داده های مختلف تحت یک قالب واحد

    3-انتخاب داده لازم از میان دیگر داده ها

    4- انتقال داده به محیط داده کاوی جهت اکتشاف قوانین

    5-ایجاد مدل ها و الگوهای مرتبط بوسیله روشهای داده کاوی

    6-ارزیابی مدل و الگوهای ایجاد شده جهت تشخیص مفید بودن آنها

    7-انتشار دانش استخراج شده به کاربران نهایی

     

     

    1-2          تعریف بیمه

     

    بیمه: بیمه عقدی است که به موجب آن یک طرف تعهد می کند در ازاء پرداخت وجه یا وجوهی از طرف دیگر در صورت وقوع یا بروز حادثه خسارت وارده بر او را جبران نموده یا وجه معینی بپردازد. متعهد را بیمه گر طرف تعهد را بیمه گذار وجهی را که بیمه گذار به بیمه گر می پردازد حق بیمه و آنچه را که بیمه می شود موضوع بیمه نامند]ماده یک قانون بیمه مصوب 7/2/1316[.

     

    1-3     هدف پایان نامه

     

    در این پژوهش سعی شده است با استفاده از تکنیکهای داده کاوی اقدام به   شناسایی فاکتورهای تاثیر گذار در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه نموده  و  ضریب تاثیر آنها را بررسی نماییم. الگوریتم های استفاده شده در این پژوهش شامل دسته بند ها، خوشه بند ها، درخت های تصمیم و قوانین انجمنی بوده است.

     

     

    1-4     مراحل انجام تحقیق

     

    در این پایان نامه با استفاده از روشهای داده کاوی با استفاده از بخشی از داده های صدور و خسارت یک سال شرکت بیمه  مدل شده و از روی آنها یک الگو ساخته می شود. در واقع به این طریق به الگوریتم یاد داده می شود که ارتباطات بین داده ها،  منجر به چه نتایجی می شود. سپس بخشی از داده ها که در مرحله قبل از آن استفاده نشده بود به مدل ایجاد شده داده می شود ونتایج توسط معیارهای علمی مورد ارزیابی قرار میگیرند. بمنظور آزمایش عملکرد می توان داده های دیگری به مدل داده  شود و نتایج حاصله با نتایج واقعی موجود مقایسه  شوند.

     

     

    1-5     ساختار پایان نامه

     

    این پایان نامه شامل چهارفصل خواهد بود که فصل اول شامل یک مقدمه و ضرورت پژوهش انجام شده و هدف این پژوهش است. در فصل دوم برخی تکنیک های  داده کاوی و روشهای آن مطرح و تحقیقاتی که قبلا در این زمینه انجام شده مورد  بررسی قرار می گیرند. در فصل سوم  به  شرح مفصل پژوهش انجام شده و نرم افزار داده کاوی مورد استفاده در این پایان نامه می پردازیم   و با کمک تکنیک های داده کاوی مدل هایی ارائه می شود و مدلهای ارائه شده درهرگروه با یکدیگر مقایسه شده و بهترین مدل از میان آنها انتخاب می گردد. در فصل چهارم مسائل مطرح شده جمع بندی شده و نتایج حاصله مطرح خواهند شد و سپس تغییراتی که در آینده در این زمینه می توان انجام داد پیشنهاد می شوند.

    فصل دوم

    ادبیات موضوع و تحقیقات پیشین

     

     

    در این فصل ابتدا مروری بر روشهای داده کاوی خواهیم داشت سپس به بررسی تحقیقات پیشین می پردازیم.

     

    2-1   داده کاوی و یادگیری ماشین

     

    داده کاوی ترکیبی از تکنیک های یادگیری ماشین، تشخیص الگو، آمار، تئوری پایگاه داده و خلاصه کردن و ارتباط بین مفاهیم و الگوهای جالب به صورت خودکار از پایگاه داده شرکتهای بزرگ است. هدف اصلی داده کاوی کمک به فرآیند تصمیم گیری از طریق استخراج دانش از داده هاست [Alpaydin 2010].

    هدف داده کاوی آشکار کردن روندها یا الگوهایی که تا کنون ناشناخته بوده اند برای گرفتن تصمیمات بهتر است که این هدف را بوسیله به کارگیری روشهای آماری همچون تحلیل لجستیک و خوشه بندی و همچنین با استفاده از روشهای تحلیل داده به دست آمده از رشته های دیگر )همچون شبکه های عصبی در هوش مصنوعی و درختان تصمیم در یادگیری ماشین(  انجام میدهد[Koh & Gervis 2010] .  چون ابزارهای داده کاوی روند ها و رفتارهای آینده را توسط رصد پایگاه داده ها برای الگوهای نهان پیش بینی می کند با عث می شوند که سازمان ها تصمیمات مبتنی بر دانش گرفته و به سوالاتی که پیش از این حل آنها بسیار زمان بر بود پاسخ دهند [Ramamohan et. al 2012 ] .

    داده کاوی یک ابزار مفید برای کاوش دانش از داده حجیم است. [Patil et. al 2012 ]. داده کاوی یافتن اطلاعات بامعنای خاص ازیک تعداد زیادی ازداده بوسیله بعضی ازفناوری ها به عنوان رویه ای برای کشف دانش ازپایگاه داده است، که گام های آن شامل موارد زیر هستند [Han and Kamber 2001] .

     

     1-پاک سازی داده ها :حذف داده دارای نویز و ناسازگار

    2-یکپارچه سازی داده: ترکیب منابع داده گوناگون

     3-انتخاب داده: یافتن داده مرتبط با موضوع از پایگاه داده

     4-تبدیل داده: تبدیل داده به شکل مناسب برای کاوش

    5-داده کاوی: استخراج مدل های داده با بهره گیری از تکنولوژی

     6- ارزیابی الگو: ارزیابی مدل هایی که واقعا برای ارائه دانش مفید هستند

     7-ارائه دانش: ارائه دانش بعد ازکاوش به کاربران بوسیله استفاده از تکنولوژیهایی همچون ارائه بصری [Lin & Yeh 2012] .

     

     

    2-2     ابزارها و تکنیک های داده کاوی

     

    با توجه به تنوع حجم و نوع داده ها، روش های آماری زیادی برای کشف قوانین نهفته در داده ها وجود دارند. این روش ها می توانند با ناظر یا بدون ناظر باشند. [Bolton & Hand 2002]  در روش های با ناظر، نمونه هایی از مواردخسارتی موجود است و مدلی ساخته می شود که براساس آن، خسارتی یا غیر خسارتی بودن نمونه های جدید مشخص می شود. این روش جهت تشخیص انواع خسارت هایی مناسب است که از قبل وجود داشته اند]فولادی نیا و همکاران 1392[ .

    روش های بدون ناظر، به دنبال کشف نمونه هایی هستند که کمترین شباهت را با نمونه های نرمال دارند. برای انجام فعالیت هایی که در هر فاز داده کاوی باید انجام شود از ابزارها و تکنیک های گوناگونی چون الگوریتمهای پایگاه داده، تکنیکهای هوش مصنوعی، روشهای آماری، ابزارهای گرافیک کامپیوتری و مصور سازی استفاده می شود. هر چند داده کاوی لزوما به حجم داده زیادی بعنوان ورودی نیاز ندارد ولی امکان دارد در یک فرآیند داده کاوی حجم داده زیادی وجود داشته باشد.

     در اینجاست که از تکنیک ها وابزارهای پایگاه داده ها مثل نرمالسازی، تشخیص و تصحیح خطا و تبدیل داده ها بخصوص در فازهای شناخت داده و آماده سازی داده استفاده می شود. همچنین تقریبا در اکثرفرآیند های داده کاوی از مفاهیم، روشها و تکنیک های آماری مثل روشهای میانگین گیری )ماهیانه، سالیانه و . . . (، روشهای محاسبه واریانس و انحراف معیار و تکنیک های محاسبه احتمال بهره برداری های فراوانی می شود. یکی دیگر از شاخه های علمی که به کمک داده کاوی آمده است هوش مصنوعی می باشد.

    هدف هوش مصنوعی هوشمند سازی رفتار ماشینها است. می توان گفت تکنیک های هوش مصنوعی بطور گسترده ای در فرآیند داده کاوی به کار می رود بطوریکه بعضی از آماردانها ابزارهای داده کاوی را بعنوان هوش آماری مصنوعی معرفی می کنند.

    قابلیت یادگیری بزرگترین فایده هوش مصنوعی است که بطور گسترده ای در داده کاوی استفاده می شود. تکنیک های هوش مصنوعی که در داده کاوی بسیار زیاد مورد استفاده قرار می گیرند عبارتند از شبکه های عصبی، روشهای تشخیص الگوی یادگیری ماشین و الگوریتمهای ژنتیک ونهایتا تکنیک ها و ابزارهای گرافیک کامپیوتری و مصور سازی که  بشدت در داده کاوی بکار گرفته می شوند و به کمک آنها می توان داده های چند بعدی را به گونه ای نمایش داد که تجزیه وتحلیل نتایج برای انسان براحتی امکان پذیر باشد [Gupta 2006].

     

    ABSTRACT

     

    PROPOSING A MODEL TO DETECT IMPACT FACTOR AND THEIR EFFECT IN AUTOMOBILE THIRD PARTY INSURANCE PROFIT AND LOSS OF INSURANCE COMPANY USING DATA MINING

    CASE STUDY: IRAN INSURANCE COMPANY

     

    Past research on auto insurance show, factors such as type of car, compliance or non-compliance vehicle with driver's license, amount of premium, level of commitment in insurance certificate, quality of auto vehicle, driver’s age, driver’s education, lack of compliance with the insurance premiums, delays in the extended hull insurance,… may affect loss or profit of insurance companies.

    The goal of this thesis is to recognize these factors in 3rd party insurance and their impact on the profit and loss of insurance companies by data mining techniques.

    The result of this study has shown that classification and decision tree algorithms provide over 91% and 96% accuracy respectively.

    Also clustering algorithms can create acceptable clusters.

     

    Key Words: Data Mining - Automobile Third Party Insurance - profit and loss

     

  • فهرست و منابع پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران

    فهرست:

    فصل اول:  مقدمه

    1-1 تعریف داده کاوی.. 3

    1-2 تعریف بیمه. 4

    1-3 هدف پایان نامه. 4

    1-4 مراحل انجام تحقیق.. 4

    1-5 ساختار پایان نامه. 5

     

    فصل دوم: ادبیات موضوع و تحقیقات پیشین

    2-1 داده کاوی و یادگیری ماشین.. 7

    2-2 ابزارها و تکنیک های داده کاوی.. 8

    2-3 روشهای داده کاوی.. 9

    2-3-1 روشهای توصیف داده ها 10

    2-3-2 روشهای تجزیه و تحلیل وابستگی 10

    2-3-3 روشهای دسته بندی و پیشگویی.. 10

    2-3-4 درخت تصمیم. 11

    2-3-5 شبکه عصبی.. 12

    2-3-6 استدلال مبتنی بر حافظه. 12

    2-3-7 ماشین های بردار پشتیبانی.. 13

    2-3-8 روشهای خوشه بندی 13

    2-3-9 روش K-Means 13

    2-3-10 شبکه کوهنن.. 14

    2-3-11 روش  دو گام. 14

    2-3-12 روشهای تجزیه و تحلیل نویز. 14

    2-4 دسته های نامتعادل]صنیعی آباده 1391[. 15

    2-4-1 راهکار مبتنی بر معیار 15

    2-4-2 راهکار مبتنی بر نمونه برداری.. 15

    2-5 پیشینه تحقیق.. 16

    2-6 خلاصه فصل. 19

     

    فصل سوم: شرح پژوهش

    3-1 انتخاب نرم افزار 21

    3-1-1 Rapidminer 21

    3-1-2 مقایسه RapidMiner   با سایر نرم افزار های مشابه. 21

    3-2 داده ها 25

    3-2-1 انتخاب داده 25

    3-2-2 فیلدهای مجموعه داده صدور 25

    3-2-3 کاهش ابعاد. 25

    3-2-4 فیلدهای مجموعه داده خسارت.. 29

    3-2-5 پاکسازی داده ها 29

    3-2-6 رسیدگی به داده های از دست رفته. 29

    3-2-7 کشف داده دور افتاده 30

    3-2-8 انبوهش داده 32

    3-2-9 ایجاد ویژگی دسته. 32

    3-2-10 تبدیل داده 32

    3-2-11 انتقال داده به محیط داده کاوی.. 32

    3-2-12 انواع داده تعیین شده 33

    3-2-13 عملیات انتخاب ویژگیهای موثرتر. 34

    3-3 نتایج اعمال الگوریتم PCA و الگوریتم های وزن دهی.. 34

    3-4 ویژگی های منتخب جهت استفاده در الگوریتمهای حساس به تعداد ویژگی.. 36

    3-5 معیارهای ارزیابی الگوریتمهای دسته بندی.. 37

    3-6 ماتریس درهم ریختگی.. 37

    3-7 معیار AUC. 38

    3-8 روشهای ارزیابی الگوریتم های دسته بندی.. 39

    3-8-1 روش Holdout 39

    3-8-2 روش Random Subsampling. 39

    3-8-3 روش Cross-Validation. 40

    3-8-4 روش Bootstrap. 40

    3-9 الگوریتمهای دسته بندی.. 41

    3-9-1 الگوریتم KNN.. 42

    3-9-2 الگوریتم Naïve Bayes 42

    3-9-3 الگوریتم Neural Network. 43

    3-9-4 الگوریتم   SVM   خطی.. 45

    3-9-5 الگوریتم   رگرسیون لجستیک.. 46

    3-9-6 الگوریتم  Meta Decision Tree. 47

    3-9-7 الگوریتم درخت Wj48. 49

    3-9-8 الگوریتم درخت Random forest 51

    3-10 معیارهای ارزیابی الگوریتم های مبتنی بر قانون(کشف قوانین انجمنی) 54

    3-10-1 الگوریتم FPgrowth. 55

    3-10-2 الگوریتم Weka Apriori 55

    3-11 معیارهای ارزیابی الگوریتمهای خوشه بندی.. 55

    3-12 الگوریتم های خوشه بندی.. 57

    3-12-1 الگوریتم K-Means 57

    3-12-2 الگوریتم Kohonen. 60

    3-12-3 الگوریتم دوگامی.. 64

     

    فصل چهارم: ارزیابی و نتیجه گیری

    4-1 مقایسه نتایج. 69

    4-2 الگوریتمهای دسته بندی.. 69

    4-3 الگوریتم های دسته بندی درخت تصمیم. 70

    4-4 الگوریتم های خوشه بندی.. 79

    4-5 الگوریتم های قواعد تلازمی(مبتنی بر قانون) 81

    4-6 پیشنهادات به شرکت های بیمه. 81

    4-7 پیشنهادات جهت ادامه کار 83

     

    منابع و مأخذ

    فهرست منابع فارسی.. 84

    فهرست منابع انگلیسی.. 85

     

    منبع:

     

    منابع فارسی

     

     ]ایزدپرست1389[ سید محمود ایزدپرست، (1389)، "ارائه چارچوبی برای پیش بینی خسارت مشتریان بیمه بدنه اتومبیل با استفاده از راهکار داده کاوی" ، وب سایت پژوهشکده بیمه. "http://www. irc. ac. ir"

     

    ]رستخیز پایدار 1389[ ندا رستخیز پایدار، (1389)، "بخش بندی مشتریان بر اساس ریسک با استفاده از تکنیک داده کاوی (مورد مطالعه: بیمه بدنه اتومبیل بیمه ملت) "،  وب سایت پژوهشکده بیمه. "http://www. irc. ac. ir"

     

    ]صنیعی آباده 1391[ صنیعی آباده محمد، (1391)، "داده کاوی کاربردی"، چاپ اول، نشرنیازدانش، تهران-ایران

     

    ]عنبری 1389[ الهام عنبری، (1389)، "طبقه بندی ریسک بیمه گذاران در رشته بیمه بدنه اتومبیل با استفاده از داده کاوی"، وب سایت پژوهشکده بیمه. "http://www. irc. ac. ir"

     

    ] فولادی نیا و همکاران 1392 [ فولادی نیا بابک، کرمی زاده فرامرز، دستغیبی فرد غلامحسین، سامی اشکان، (1392)، "کشف تقلب در بیمه اتومبیل با استفاده از روش های داده کاوی"، هفتمین کنفرانس داده کاوی ایران، 19 و 20 آذر، تهران

     

    ]فولادی نیا 1392[ فولادی نیا بابک، (1392)، "کشف تقلب در بیمه اتومبیل با استفاده از روش های داده کاوی"، پابان نامه کارشناسی ارشد، دانشکده آموزشهای الکترونیکی، دانشگاه شیراز

     

    ]مورکی علی‌آباد1390[  سمانه مورکی علی‌آباد ، (1390)، "طبقه‌بندی مشتریان صنعت بیمه با هدف شناسایی مشتریان بالقوه با استفاده از تکنیک‌های داده‌کاوی (مورد مطالعه: بیمه‌گذاران بیمه آتش‌سوزی شرکت بیمه  کارآفرین "( ، وب سایت پژوهشکده بیمه. "http://www. irc. ac. ir"

     

     

     

    منابع انگلیسی

     

    [Allahyari Soeini et. al 2012] Allahyari Soeini R  and Vahidy Rodpysh K (2012), “Applying Data Mining to Insurance Customer Churn Management”, “Third International Conference, ICICA 2012, Chengde, China, September 14-16, 2012. Proceedings, Part I (Communications in Computer and Information Science)

     

    [Alpaydin 2010] Alpaydin E. (2010), “Introduction to Machine Learning”, The MIT Press Cambridge, Massachusetts London, England.

     

    [Bolton & Hand 2002] Bolton R. J. & Hand D. J. (2002), “Statistical fraud detection: a review”, Statistical Science, vol. 17, no. 3, pp. 235–55.

     

    [Brockett et. al 1998]Brockett P. L. Xia X. & Derrig R. A. (1998), “Using kohonen”s selforganizing feature map to uncover automobile bodily injury claims fraud”, The J. of Risk and Insurance, Vol. 65, No. 2, pp. 245-74.

     

    [Derrig et. al 2006] Derrig, R. , Johnston, D. & Sprinkel, E. (2006), “Auto Insurance Fraud: Measurements and Efforts to Combat It”, Risk Management and Insurance Review, Vol 9(2), pp.109 – 130.

     

    [Derrig & Ostazewski 1995] Derrig R. A. & Ostazewski K. M. (1995), “Fuzzy techniques of pattern recognition in risk and claim classification”, The J. of Risk and Insurance, Vol. 62, No. 3, pp. 447-82.

     

    [Gupta 2006] Gupta, G. K. (2006), ” Introduction to Data Mining with case studies”. Prentice Hall of India, New Delhi.

     

    [Han and Kamber 2001] Han J. and Kamber K, Data Mining: Concepts and Techniques, San Francisco, Morgan Kaufmann Publishers, 2001.

     

    [Jiawei Han, 2010] Jiawei Han, Micheline Kamber, and Jian Pei(2010), ”Data Mining, Concepts and Techniques”, 3rd ed, University of Illinois at Urbana-Champaign &

    Simon Fraser University.

     

    [Koh & Geravis 2010] Koh H. C. and Geravis G. (2010), ”Fraud Detection Using Data Mining Techniques:Applications In The Motor Insurance Industry”, Journal of Proceedings of Business And Information, Volume 7, No 1, pp. 49.

     

    [Kumar and Verna 2012] Kumar R. AND Verma R. (2012), “ Classification Algorithms for Data Mining: A Survey, International Journal of Innovations in Engineering and Technology (IJIET), Vol. 1, Issue 2, August 2012.

     

    [Lin & Yeh 2012]Lin Kuo-Chung and Yeh Ching-Long (2012), “Use of Data Mining Techniques to Detect Medical Fraud in Health Insurance”, International Journal of Engineering and Technology Innovation, vol. 2, no. 2, pp. 42-53.

     

    [Liu et. al 2012 ]Liu Jenn-Long, Chen Chien-Liang and Yang Hsing-Hui (2012), “Efficient Evolutionary Data Mining Algorithms Applied to the Insurance Fraud Prediction”, International Journal of Machine Learning and Computing, Vol. 2, No. 3, pp. 308-314.

     

    [Osmar 1999] Osmar, R. Zaïane (1999), “Principles of Knowledge Discovery in Databases”, University of Alberta.

     

    [Patil et. al 2012 ] Patil S. P. , Patil U. M. and Borse S. (2012), “ The novel approach for improving apriori algorithm for mining association rule”, World Journal of Science and Technology 2012, 2(3):75-78, Proceedings of “National Conference on Emerging Trends in Computer Technology (NCETCT-2012), Held at R. C. Patel Institute of Technology, Shirpur, Dist. Dhule, Maharashtra, India.

     

    [Phua et. al 2004]Phua C. , Alahakoon D. & Lee V. (2004), “Minority report in fraud detection: classification of skewed data”, Sigkdd Explorations, vol. 6, no. 1, pp. 50-9.

     

    [Pradhan et. al 2011 ] Pradhan R. , Pathak K. K. and Singh V. P. (2011), “ Application of Neural Network in Prediction of Financial Viability”, International Journal of Soft Computing and Engineering (IJSCE), ISSN: 2231-2307, Volume-1, Issue-2, May 2011.

     

    [Ramamohan et. al 2012 ] Ramamohan Y. , Vasantharao K. , Chakravarti C. K. , Ratnam A. S. K (2012), “ A Study of Data Mining Tools in Knowledge Discovery Process”, International Journal of Soft Computing and Engineering (IJSCE), Volume-2, Issue-3, July 2012.

     

    [Ristianini and Shawe 2000] Ristianini N, Shawe-Taylor J. “An introduction to support vector machines and other kernel-based learning methods”, Cambridge, UK:Cambridge University Press; 2000.

     

    [Sirikulvadhana 2002] Sirikulvadhana, Supatcharee (2002), “Data Mining as a Financial Auditing Tool”, M. Sc. Thesis in Accounting Swedish School of Economics and Business Administration.

     

    [Tan et al 2006] Pang-Ning Tan, Michael Steinbach and Vipin Kumar, “Introduction to Data Mining”, Addison Wesley, 2006.

     

    [Wilson 2003] Wilson, H. J (2003), “An analytical approach to detecting insurance fraud using logistic regression”, Journal of Finance and Accountancy, Vol. 1, pp. 1-15.

     

    [Wilson and Martinez 1997] Wilson D. Randall and Martinez Tony R “Improved Heterogeneous Distance Functions”,  Journal of Artificial Intelligence Research, Volume 6, pages 1-34.

     

    [Xindong et al 2007] XindongWu , Vipin Kumar,  J. Ross Quinlan, Joydeep Ghosh, Qiang Yang, Hiroshi Motoda, Geoffrey J, McLachlan, Angus Ng, Bing Liu, Philip S. Yu, Zhi-Hua Zhou, Michael Steinbach, David J. Hand, Dan Steinberg (2007) . “Top 10 Algorithms in data mining”, Survey paper. Springer–Verlag London Limited. 



تحقیق در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, مقاله در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, پروژه دانشجویی در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, پروپوزال در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, تز دکترا در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, تحقیقات دانشجویی درباره پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, مقالات دانشجویی درباره پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, پروژه درباره پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, گزارش سمینار در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, پروژه دانشجویی در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, تحقیق دانش آموزی در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, مقاله دانش آموزی در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران, رساله دکترا در مورد پایان نامه ارائه مدلی برای شناسایی عوامل اثرگذار و ضریب تاثیر آن ها در سود و زیان بیمه شخص ثالث خودرو شرکتهای بیمه به وسیله روش های داده کاوی مطالعه موردی شرکت سهامی بیمه ایران

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس