基于数据挖掘技术的车险理赔反欺诈研究
摘要 | 第6-7页 |
abstract | 第7页 |
第1章 绪论 | 第10-19页 |
1.1 研究背景和意义 | 第10-11页 |
1.1.1 研究背景 | 第10页 |
1.1.2 研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-16页 |
1.2.1 国外研究现状 | 第11-12页 |
1.2.2 国内研究现状 | 第12-16页 |
1.3 研究的主要内容与方法 | 第16-17页 |
1.3.1 主要内容 | 第16-17页 |
1.3.2 研究方法 | 第17页 |
1.4 研究的特色与不足之处 | 第17-19页 |
1.4.1 研究的特色 | 第17-18页 |
1.4.2 研究的不足 | 第18-19页 |
第2章 理论分析 | 第19-44页 |
2.1 车险理赔欺诈理论 | 第19-25页 |
2.1.1 车险理赔流程 | 第19-22页 |
2.1.1.2 车险理赔定义 | 第19页 |
2.1.1.2 传统车险理赔流程 | 第19-21页 |
2.1.1.3 一键赔车险理赔流程 | 第21-22页 |
2.1.1.4 千元秒赔车险理赔流程 | 第22页 |
2.1.2 车险理赔风险表现形式 | 第22-23页 |
2.1.2.1 风险的定义 | 第22-23页 |
2.1.2.2 风险的分类 | 第23页 |
2.1.3 车险理赔欺诈分类 | 第23-24页 |
2.1.4 车险理赔欺诈成因发展形势 | 第24页 |
2.1.5 车险理赔欺诈因子 | 第24-25页 |
2.2 数据挖掘模型理论 | 第25-43页 |
2.2.1 数据挖掘技术介绍 | 第25-29页 |
2.2.1.1 数据挖掘定义 | 第25-26页 |
2.2.1.2 数据挖掘方法 | 第26-27页 |
2.2.1.3 数据挖掘流程 | 第27-29页 |
2.2.1.4 车险理赔欺诈数据挖掘模型的发展 | 第29页 |
2.2.2 Logit模型 | 第29-32页 |
2.2.2.1 Logit模型相关定义 | 第29-30页 |
2.2.2.2 Logit模型原理 | 第30-32页 |
2.2.3 贝叶斯模型 | 第32-35页 |
2.2.3.1 贝叶斯模型相关定义 | 第32-33页 |
2.2.3.2 贝叶斯模型原理 | 第33-35页 |
2.2.4 决策树模型 | 第35-43页 |
2.2.4.1 C5.0算法 | 第36-39页 |
2.2.4.2 CART算法 | 第39-41页 |
2.2.4.3 CHAID算法 | 第41页 |
2.2.4.4 QUEST算法 | 第41-42页 |
2.2.4.5 各种决策树算法比较 | 第42-43页 |
2.3 小结 | 第43-44页 |
第3章 实证分析 | 第44-83页 |
3.1 描述性统计分析 | 第44-57页 |
3.1.1 变量初步选择 | 第44-45页 |
3.1.2 数据处理 | 第45页 |
3.1.3 频率分析 | 第45-49页 |
3.1.4 图表分析 | 第49-55页 |
3.1.5 描述统计 | 第55-57页 |
3.2 Logit模型验证 | 第57-64页 |
3.2.1 数据准备 | 第57-62页 |
3.2.2 模型验证 | 第62-64页 |
3.3 贝叶斯网络模型验证 | 第64-69页 |
3.3.1 数据准备 | 第64页 |
3.3.2 模型验证 | 第64-69页 |
3.4 决策树模型验证 | 第69-81页 |
3.4.1 数据准备 | 第69页 |
3.4.2 模型验证 | 第69-81页 |
3.4.2.1 C5.0模型验证 | 第69-75页 |
3.4.2.2 C&R(CART)模型验证 | 第75-77页 |
3.4.2.3 CHAIN模型验证 | 第77-78页 |
3.4.2.4 QUEST模型验证 | 第78-80页 |
3.4.2.5 决策树模型选择 | 第80-81页 |
3.5 数据挖掘三种模型比较分析 | 第81-82页 |
3.6 小结 | 第82-83页 |
第4章 结论与展望 | 第83-85页 |
4.1 结论 | 第83页 |
4.2 展望 | 第83-85页 |
参考文献 | 第85-87页 |
致谢 | 第87-88页 |
个人简历在读期间发表的学术论文与研究成果 | 第88-89页 |