| Bagging集成方法在保险欺诈识别中的应用研究 |
| |
| 引用本文： | 李秀芳,黄志国,陈孝伟.Bagging集成方法在保险欺诈识别中的应用研究[J].保险研究,2019(4):66-84. |
| |
| 作者姓名： | 李秀芳 黄志国 陈孝伟 |
| |
| 作者单位： | 南开大学金融学院;南开大学金融学院;南开大学金融学院 |
| |
| 基金项目： | 国家自然科学基金面上项目“保险公司经济资本预测与最优配置问题研究”;“不确定全面风险分析框架下供应链风险建模与优化研究”;中央高校基本科研业务费专项资金“随机最优控制与金融保险管理交叉研究” |
| |
| 摘 要： | 保险欺诈不仅危及保险公司的正常经营,增加投保人的负担,甚至有可能影响到国家的金融稳定。随着大数据时代的到来,保险反欺诈亟需引入革命性技术。Bagging集成方法以其可调节模型结构、易于部署、参数空间可控、支持并行运算等特点成为保险公司进行保险反欺诈一个好的选择。Bagging方法主要包括Bagging算法、Random Subspace算法、Random Patches算法,它们又能与不同基学习器结合构成新的分支算法及算法特例。本文基于这些算法对保险欺诈问题进行了实证检验,分析了各算法及与基学习器的适用性问题,以及基学习器个数对算法表现的影响。分析发现:针对保险欺诈识别问题,在Bagging、Random Subspace、Random Patches三者之中,Random Patches算法的表现最好,Bagging的运行时间最短;不同算法适用的基学习器不同,但总体来说最适合Bagging集成方法的是决策树;基于决策树的方法都一致选择是否委托律师代理作为最重要的特征;基学习器个数对不同Bagging算法表现的影响并不一致。
|
| 关 键 词： | Bagging 保险欺诈 极端随机树 随机森林 |
Insurance Fraud Detection Based on Bagging Ensemble Learning |
| |
| LI Xiu-fang,HUANG Zhi-guo,CHEN Xiao-wei.Insurance Fraud Detection Based on Bagging Ensemble Learning[J].Insurance Studies,2019(4):66-84. |
| |
| Authors: | LI Xiu-fang HUANG Zhi-guo CHEN Xiao-wei |
| |
| Abstract: | LI Xiu-fang;HUANG Zhi-guo;CHEN Xiao-wei |
| |
| Keywords: | Bagging insurance fraud Extremely Randomized Trees Random Forest |
| 本文献已被 维普 万方数据 等数据库收录！ |
