| 摘要 | 第8-9页 |
| 英文摘要 | 第9-10页 |
| 1 引言 | 第11-18页 |
| 1.1 本文的研究背景、目的与意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究目的 | 第12页 |
| 1.1.3 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.2.3 国内外研究文献评述 | 第16页 |
| 1.3 本文技术路线及主要研究内容 | 第16-18页 |
| 1.3.1 研究内容及框架 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 2 保险风险客户群划分相关概述 | 第18-27页 |
| 2.1 保险的风险特征 | 第18-19页 |
| 2.1.1 风险的客观性 | 第18页 |
| 2.1.2 风险的普遍性 | 第18页 |
| 2.1.3 风险的可测定性 | 第18-19页 |
| 2.1.4 风险的发展性 | 第19页 |
| 2.2 风险管理概述 | 第19-21页 |
| 2.2.1 风险管理 | 第19页 |
| 2.2.2 风险管理的基本程序 | 第19-21页 |
| 2.3 风险管理方法 | 第21-23页 |
| 2.3.1 全面风险管理（ERM） | 第21-22页 |
| 2.3.2 整体风险管理（TRM） | 第22页 |
| 2.3.3 无赔款优待风险管理系统（NCD） | 第22页 |
| 2.3.4 各种风险管理方法的简要评述 | 第22-23页 |
| 2.4 客户群划分及方法 | 第23-27页 |
| 2.4.1 客户群相关概念 | 第23-24页 |
| 2.4.2 客户群划分方法及应用 | 第24-27页 |
| 3 我国机动车辆保险发展现状分析 | 第27-30页 |
| 3.1 我国机动车辆保险发展历程 | 第27页 |
| 3.2 机动车辆保险风险及特征 | 第27-28页 |
| 3.3 我国机动车辆保险发展现状及存在的问题 | 第28-30页 |
| 3.3.1 我国机动车辆保险发展现状 | 第28-29页 |
| 3.3.2 我国机动车辆保险存在问题分析 | 第29-30页 |
| 4 基于K-PROTOTYPESNN方法的机动车辆保险风险客户群划分模型 | 第30-44页 |
| 4.1 机动车辆保险风险影响因素 | 第30-32页 |
| 4.1.1 驾驶员风险因素 | 第30-31页 |
| 4.1.2 车辆风险因素 | 第31页 |
| 4.1.3 环境风险因素 | 第31-32页 |
| 4.2 相关大数据分类算法的比较分析 | 第32-34页 |
| 4.2.1 K-近邻方法 | 第32-33页 |
| 4.2.2 朴素贝叶斯算法 | 第33页 |
| 4.2.3 支持向量机 | 第33页 |
| 4.2.4 人工神经网络 | 第33-34页 |
| 4.3 K-PROTOTYPESNN算法 | 第34-42页 |
| 4.3.1 KNN与K-prototypes算法的优缺点 | 第34页 |
| 4.3.2 KNN与K-prototypes算法步骤对比 | 第34-36页 |
| 4.3.3 K-Prototypes NN算法 | 第36-42页 |
| 4.4 基于KPNN算法的机动车辆保险风险客户群划分模型构建 | 第42-44页 |
| 5 实证分析 | 第44-55页 |
| 5.1 实现过程 | 第44-47页 |
| 5.1.1 数据处理 | 第44-45页 |
| 5.1.2 机动车辆保险风险客户群划分 | 第45-47页 |
| 5.2 实验结果及分析 | 第47-55页 |
| 5.2.1 数据准备 | 第47页 |
| 5.2.2 机动车辆风险客户群分类器训练 | 第47-48页 |
| 5.2.3 实验结果及分析 | 第48-55页 |
| 6 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61-65页 |
| 攻读硕士学位期间发表的学位论文 | 第65页 |
