Для цитирования:
Воробьев И. А. Методы машинного обучения в задаче оценки риска мошенничества в автостраховании // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2024. Т. 24, вып. 4. С. 619-628. DOI: 10.18500/1816-9791-2024-24-4-619-628, EDN: HLJKIS
Методы машинного обучения в задаче оценки риска мошенничества в автостраховании
Оценка уровня мошенничества в автостраховании представляет собой актуальную и сложную задачу, что обусловлено деятельностью мошеннических групп. Для уверенности менеджмента страховых компаний в стратегии противодействия мошенничеству необходим инструмент, позволяющий оценить текущее состояние портфеля претензий. Современные методы машинного обучения позволяют проводить такую оценку, используя данные о страхователях и страховых случаях. При применении данных подходов возникает ряд проблем, не позволяющих достичь необходимого качества выявления мошенничества. К ним можно отнести дисбаланс классов и так называемый дрейф концепции (concept drift), возникающий вследствие изменения сценариев схем мошенников и субъективности экспертной оценки конкретного страхового случая. В настоящем исследовании предлагается подход, позволяющий улучшить метрики моделей для выявления мошенничества в портфеле претензий. Численный эксперимент на двух открытых наборах данных показал прирост полноты выявления страхового мошенничества на 49 п.п. и 19 п.п. в сравнении с классическим моделированием.
- Bao Y., Hilary G., Ke B. Artificial intelligence and fraud detection // Innovative technology at the interface of finance and operations / ed. by V. Babich, J. R. Birge, G. Hilary. Cham : Springer, 2022. P. 223–247. (Springer Series in Supply Chain Management, vol. 11). https://doi.org/10.1007/978-3-030-75729-8_8
- Subelj L., Furlan S., Bajec M. An expert system for detecting automobile insurance fraud using social network analysis // Expert Systems with Applications. 2011. Vol. 38, iss. 1. P. 1039–1052. https://doi.org/10.1016/j.eswa.2010.07.143
- Jin C., Feng Y., Li F. Concept drift detection based on decision distribution in inconsistent information system // Knowledge-Based Systems. 2023. Vol. 279. Art. 110934. https://doi.org/10.1016/j.knosys.2023.110934
- Gupta P., Varshney A., Khan M., Ahmed R., Shuaib M., Alam S. Unbalanced credit card fraud detection data: A machine learning-oriented comparative study of balancing techniques // Procedia Computer Science. 2023. Vol. 218. P. 2575–2584. https://doi.org/10.1016/j.procs.2023.01.231
- Pant P., Srivastava P. Cost-sensitive model evaluation approach for financial fraud detection system // 2021 Second International Conference on Electronics and Sustainable Communication Systems (ICESC). Coimbatore, India, 2021. P. 1606–1611. https://doi.org/10.1109/ICESC51422.2021.9532741
- Воронцов К. В. Математические методы обучения по прецедентам (теория обучения машин) // «Машинное обучение», курс лекций. 2011. 141 с. URL: http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf (дата обращения: 22.09.2023).
- Fawcett T. An introduction to ROC analysis // Pattern Recognition Letters, 2006. Vol. 27, iss. 8. P. 861–874. https://doi.org/10.1016/j.patrec.2005.10.010
- Subudhi S., Panigrahi S. Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection // Journal of King Saud University – Computer and Information Sciences. 2020. Vol. 32, iss. 5. P. 568–575. https://doi.org/10.1016/j.jksuci.2017.09.010
- Phua C., Alahakoon D. Minority report in fraud detection: Classification of skewed data // ACM SIGKDD Explorations Newsletter. 2004. Vol. 6, iss. 1. P. 50–59. https://doi.org/10.1145/1007730.1007738
- Itri B., Mohamed Y., Mohamed Q., Omar B. Performance comparative study of machine learning algorithms for automobile insurance fraud detection // 2019 Third International Conference on Intelligent Computing in Data Sciences (ICDS). Marrakech, Moroko, 2019. P. 1–4. https://doi.org/10.1109/ICDS47004.2019.8942277
- 177 просмотров