数据挖掘在非寿险分类费率厘定中的运用研究
| 内容摘要 | 第1-8页 |
| ABSTRACT | 第8-9页 |
| 插图索引 | 第9-10页 |
| 表格索引 | 第10-11页 |
| 第1章 绪论 | 第11-16页 |
| 1．1 选题背景与意义 | 第11-12页 |
| 1．2 文献综述 | 第12-15页 |
| 1．3 本文的研究思路与创新 | 第15-16页 |
| 第2章 分类费率厘定的广义线性模型 | 第16-27页 |
| 2．1 广义线性模型假设前提及结构 | 第16-17页 |
| 2．1．1 GLMs假设 | 第16页 |
| 2．1．2 GLMs的结构 | 第16-17页 |
| 2．2 GLMs的实证分析 | 第17-22页 |
| 2．2．1 数据来源 | 第17-18页 |
| 2．2．2 模型选定 | 第18-19页 |
| 2．2．3 模型结果 | 第19-22页 |
| 2．3 GLMs的特点分析 | 第22-27页 |
| 2．3．1 GLMs的优点 | 第22-23页 |
| 2．3．2 GLMs存在的问题 | 第23-27页 |
| 第3章 数据挖掘的分析 | 第27-35页 |
| 3．1 数据挖掘的过程 | 第27-28页 |
| 3．2 数据挖掘的几个重要节点 | 第28-31页 |
| 3．2．1 数据恢复节点 | 第28-29页 |
| 3．2．2 变量选择节点 | 第29页 |
| 3．2．3 模型评估节点 | 第29-31页 |
| 3．3 数据挖掘的几种算法 | 第31-35页 |
| 3．3．1 回归算法分析 | 第31-32页 |
| 3．3．2 决策树算法分析 | 第32页 |
| 3．3．3 神经网络算法分析 | 第32-35页 |
| 第4章 数据挖掘对费率厘定的改进 | 第35-55页 |
| 4．1 问题的回顾 | 第35页 |
| 4．2 基于SAS~(?)的DM改进 | 第35-39页 |
| 4．2．1 数据划分 | 第36页 |
| 4．2．2 数据恢复 | 第36-38页 |
| 4．2．3 变量选择 | 第38页 |
| 4．2．4 几种算法下的模型选择 | 第38-39页 |
| 4．3 DM改进的结果分析 | 第39-55页 |
| 4．3．1 回归算法结果分析 | 第39-44页 |
| 4．3．2 决策树算法结果分析 | 第44-47页 |
| 4．3．3 神经网络算法结果分析 | 第47-50页 |
| 4．3．4 各模型的比较 | 第50-55页 |
| 结语 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第61-62页 |
| 附录B-1 保单信息(部分) | 第62-63页 |
| 附录B-2 定价变量分布图 | 第63-68页 |
