医疗保险欺诈检测的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 研究现状与挑战 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 面临的问题与挑战 | 第12页 |
| 1.3 本文研究内容与创新点 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 相关理论知识与技术介绍 | 第15-30页 |
| 2.1 数据挖掘概述 | 第15-17页 |
| 2.2 有监督分类算法 | 第17-22页 |
| 2.2.1 决策树算法 | 第17-20页 |
| 2.2.2 支持向量机算法 | 第20-22页 |
| 2.3 无监督聚类算法 | 第22-27页 |
| 2.3.1 k-means聚类算法 | 第23-25页 |
| 2.3.2 高斯混合模型聚类算法 | 第25-27页 |
| 2.4 异常检测算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 医疗保险数据特征提取 | 第30-41页 |
| 3.1 医疗保险数据 | 第30-31页 |
| 3.2 原始数据预处理 | 第31-33页 |
| 3.3 医疗保险数据二级特征提取 | 第33-40页 |
| 3.3.1 基于统计概率方法的二级特征提取 | 第34-37页 |
| 3.3.2 基于高斯混合模型的二级特征提取 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 医疗保险欺诈检测算法 | 第41-52页 |
| 4.1 算法思想 | 第41-42页 |
| 4.2 算法框架 | 第42-45页 |
| 4.3 正常医疗保险聚类建模 | 第45-47页 |
| 4.3.1 确定要聚类的簇数目。 | 第45-46页 |
| 4.3.2 利用高斯混合模型进行聚类 | 第46-47页 |
| 4.4 欺诈判断模型构建 | 第47-51页 |
| 4.4.1 随机森林分类模型构建 | 第48-49页 |
| 4.4.2 支持向量机分类模型构建。 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 实验结果与分析 | 第52-69页 |
| 5.1 数据来源及预处理 | 第52-55页 |
| 5.2 特征提取实验 | 第55-59页 |
| 5.2.1 一级特征向量化 | 第55页 |
| 5.2.2 二级特征提取实验 | 第55-59页 |
| 5.3 欺诈检测实验 | 第59-68页 |
| 5.3.1 聚类实验结果及分析 | 第59-60页 |
| 5.3.2 欺诈识别结果及分析 | 第60-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
