ارائه روشي براي ردهبندي مشتريان بيمه عمر مبتني بر قواعد باهم آيي پيش بيني كننده

كارشناسي ارشد

با توجه به افزايش روزافزون استفاده‌كنندگان از بيمه و پيشرفت سريع فناوري اطلاعات، حجم داده‌هاي ذخيره شده در پايگاه‌ داده‌هاي شركت‌هاي بيمه به سرعت در حال رشد بوده و اين پايگاه داده‌هاي بزرگ، حاوي حجم زيادي از داده‌ها و فرصت‌هاي قابل استفاده از اطلاعات تجاري باارزش هستند. از طرفي كشف اطلاعات ارزشمند پنهان دراين پايگاه‌داده‌ها كار دشواري است. داده‌كاوي فرايندي تحليلي است كه در كشف اين اطلاعات ارزشمند به ما كمك مي‌كند. هدف اين پژوهش ارائه چهارچوبي مبتني بر قواعد باهم‌آيي پيش‌بيني كننده جهت رده‌بندي مشتريان و پيش‌بيني خريد پوشش‌هاي بيمه عمر در بيمه ايران توسط مشتريان جديد براساس سوابق مشتريان قبلي است. در سال‌هاي اخير رويكرد جديدي به نام رده‌بندي باهم‌آيي براي ادغام استخراج قواعد باهم‌آيي و رده‌بندي ارائه شده است كه ابتدا با استفاده از برخي الگوريتم‌ها مانند Apriori ,FPGrowth قواعد باهم‌آيي قوي را استخراج مي‌كند و سپس از مجموعه‌اي از قواعد پراهميت براي رده‌بندي و پيش‌بيني استفاده مي‌كند. يكي از شرايطي كه باعث ايجاد مدل‌هايي با دقت پايين خواهد شد، عدم متوازن بودن داده‌هاي برچسب‌دار است كه براي ساخت مدل در رده‌بندي استفاده مي‌شوند. به اين معني كه فراواني نمونه‌هاي بعضي كلاس‌ها خيلي بيشتر يا كمتر از فراواني نمونه‌هاي كلاس ديگر است. چهارچوب ارائه شده دراين پژوهش با استفاده از خوشه‌بندي، فضاهاي مختلفي براي نمونه‌برداري و حل مشكل عدم توازن داده‌هاي برچسب‌گذاري شده را پيشنهاد مي‌دهد كه با نمونه‌برداري از اين فضاها، چندين مجموعه‌ آموزشي مختلف ايجاد كرده و با استفاده از الگوريتم (CBA) Classification Based on Association rules با هركدام از مجموعه‌ها مدلي ساخته و بر روي مجموعه داده‌هاي آزمون اعمال مي‌شود و با راٌي‌گيري بين نتايج پيش‌بيني مدل‌ها، برچسب ركورد جديد پيش‌بيني مي‌شود. نتايج حاصل نشان داده شده كه اين روش باعث افزايش ميزان دقت به ميزان 10درصد در الگوريتم CBA خواهد شد.

190224

دانشگاه علم و صنعت ايران

نرم افزار

دكتر بهروز مينايي