| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 医保异常检测的研究现状 | 第12-14页 |
| 1.2.2 分类集成学习的研究现状 | 第14-15页 |
| 1.3 本文研究内容与创新 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第二章 相关理论基础 | 第17-31页 |
| 2.1 集成分类器 | 第17-18页 |
| 2.2 集成分类器的设计 | 第18-21页 |
| 2.2.1 基分类器生成方式 | 第18-20页 |
| 2.2.2 基分类器组合方式 | 第20-21页 |
| 2.3 选择性集成 | 第21-23页 |
| 2.3.1 选择性集成的理论基础 | 第21页 |
| 2.3.2 选择性集成方法 | 第21-23页 |
| 2.4 常用的集成模型 | 第23-27页 |
| 2.4.1 Bagging | 第23-25页 |
| 2.4.2 Adaboost | 第25-26页 |
| 2.4.3 随机森林 | 第26-27页 |
| 2.5 非平衡分类常用评价指标 | 第27-29页 |
| 2.5.1 F-measure | 第28-29页 |
| 2.5.2 ROC曲线 | 第29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 医保数据集处理 | 第31-46页 |
| 3.1 数据预处理 | 第31-35页 |
| 3.1.1 噪声处理 | 第31-32页 |
| 3.1.2 空缺值处理 | 第32页 |
| 3.1.3 特征选择 | 第32-34页 |
| 3.1.4 特征提取 | 第34-35页 |
| 3.2 医保数据的非平衡性及分类难点 | 第35-37页 |
| 3.2.1 医保数据的非平衡性 | 第35-36页 |
| 3.2.2 医保数据的分类难点 | 第36-37页 |
| 3.3 非平衡医保数据的解决策略 | 第37-45页 |
| 3.3.1 欠抽样 | 第37-38页 |
| 3.3.2 过抽样 | 第38-39页 |
| 3.3.3 smote抽样 | 第39-40页 |
| 3.3.4 混合抽样 | 第40-42页 |
| 3.3.5 抽样处理结果对比 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于改进的随机森林算法模型 | 第46-55页 |
| 4.1 改进数据的处理方式 | 第46-48页 |
| 4.1.1 随机森林抽取数据特点 | 第46-47页 |
| 4.1.2 基于混合抽样改进思路 | 第47页 |
| 4.1.3 基于SMOTE抽样改进思路 | 第47-48页 |
| 4.2 改进基分类的选择 | 第48-51页 |
| 4.2.1 随机森林组合基分类器特点 | 第48-49页 |
| 4.2.2 按分类性能筛选基分类器 | 第49-50页 |
| 4.2.3 按相似程度筛选基分类器 | 第50-51页 |
| 4.3 算法模型 | 第51-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于医保数据的集成算法 | 第55-74页 |
| 5.1 基于混合抽样的随机森林改进算法实验 | 第55-61页 |
| 5.1.1 基于混合抽样平衡数据模块的实验 | 第55-58页 |
| 5.1.2 按分类性能筛选基分类器模块的实验 | 第58-60页 |
| 5.1.3 按相似程度筛选基分类器模块的实验 | 第60-61页 |
| 5.2 基于SMOTE抽样的随机森林改进算法实验 | 第61-66页 |
| 5.2.1 基于smote抽样平衡数据模块的实验 | 第62-63页 |
| 5.2.2 按分类性能筛选基分类器模块的实验 | 第63-64页 |
| 5.2.3 按相似程度筛选基分类器模块的实验 | 第64-66页 |
| 5.3 集成算法对比 | 第66-73页 |
| 5.3.1 基于混合抽样的随机森林改进算法有效性分析 | 第66-68页 |
| 5.3.2 基于smote抽样的随机森林改进算法有效性分析 | 第68-69页 |
| 5.3.3 两种改进方法的对比分析 | 第69-71页 |
| 5.3.4 可疑样本分析 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |