数据挖掘技术在医保欺诈检测识别中的应用研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 论文结构 | 第15-18页 |
| 第2章 相关理论概述 | 第18-36页 |
| 2.1 数据挖掘概述 | 第18-20页 |
| 2.1.1 数据挖掘的定义 | 第18页 |
| 2.1.2 数据挖掘的流程和模型框架 | 第18-19页 |
| 2.1.3 机器学习与数据挖掘 | 第19-20页 |
| 2.2 医疗保险欺诈 | 第20-22页 |
| 2.2.1 医疗保险 | 第20页 |
| 2.2.2 医疗保险欺诈分类 | 第20-22页 |
| 2.3 聚类算法 | 第22-25页 |
| 2.4 分类算法 | 第25-31页 |
| 2.4.1 支持向量机概述 | 第25-27页 |
| 2.4.2 支持向量机的基本方法 | 第27-31页 |
| 2.5 三大经典算法的基本原理 | 第31-34页 |
| 2.5.1 遗传算法的基本原理 | 第31页 |
| 2.5.2 粒子群算法的基本原理 | 第31-34页 |
| 2.5.3 模拟退火法的基本原理 | 第34页 |
| 2.6 本章小结 | 第34-36页 |
| 第3章 基于改进聚类算法的医保欺诈检测研究 | 第36-50页 |
| 3.1 问题分析 | 第36页 |
| 3.2 基于主成分分析的改进聚类算法 | 第36-37页 |
| 3.3 数据处理 | 第37-40页 |
| 3.3.1 数据选择 | 第38页 |
| 3.3.2 数据集成 | 第38-39页 |
| 3.3.3 数据清洗 | 第39-40页 |
| 3.3.4 数据计算 | 第40页 |
| 3.4 实验 | 第40-48页 |
| 3.4.1 实验环境 | 第40-41页 |
| 3.4.2 实验结果与分析 | 第41-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 基于改进支持向量机算法的医保欺诈识别研究 | 第50-72页 |
| 4.1 问题分析 | 第50页 |
| 4.2 改进的支持向量机算法思想 | 第50-53页 |
| 4.3 模型选择与主要参数选取 | 第53-55页 |
| 4.3.1 支持向量机算法的核函数选择 | 第53-54页 |
| 4.3.2 其它算法参数的选取 | 第54-55页 |
| 4.4 实验 | 第55-70页 |
| 4.4.1 实验环境 | 第55页 |
| 4.4.2 算法评价指标 | 第55-57页 |
| 4.4.3 实验验证 | 第57-62页 |
| 4.4.4 实验数据集 | 第62-63页 |
| 4.4.5 实验结果与分析 | 第63-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 后续展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士学位期间发表的论文和主持的项目 | 第79页 |
