基于Hadoop平台的医疗保险欺诈检测的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 背景与意义 | 第10-12页 |
| 1.2 国内外研究历史与现状 | 第12-14页 |
| 1.3 本文的主要贡献与创新 | 第14-16页 |
| 1.4 本论文的结构安排 | 第16-17页 |
| 第二章 欺诈检测技术简介 | 第17-28页 |
| 2.1 DBSCAN算法 | 第17-20页 |
| 2.1.1 DBSCAN算法思想 | 第18-19页 |
| 2.1.2 DBSCAN的参数调节 | 第19-20页 |
| 2.2 随机森林算法 | 第20-24页 |
| 2.2.1 随机森林中的决策树 | 第22-23页 |
| 2.2.2 随机森林中的参数 | 第23-24页 |
| 2.3 Hadoop | 第24-28页 |
| 2.3.1 HDFS | 第25-26页 |
| 2.3.2 Map-Reduce编程模型 | 第26-28页 |
| 第三章 特征工程 | 第28-39页 |
| 3.1 数据源 | 第28-30页 |
| 3.2 数据预处理 | 第30-34页 |
| 3.2.1 数据清洗 | 第30-31页 |
| 3.2.2 格式化处理 | 第31-32页 |
| 3.2.3 缺失值处理 | 第32-34页 |
| 3.3 特征提取 | 第34-37页 |
| 3.4 特征处理 | 第37-38页 |
| 3.4.1 离散特征的数值化 | 第37-38页 |
| 3.4.2 归一化 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于聚类的异常群簇划分 | 第39-55页 |
| 4.1 聚类分析在欺诈检测中的应用 | 第39-41页 |
| 4.1.1 类不平衡问题 | 第39-40页 |
| 4.1.2 常用聚类算法 | 第40-41页 |
| 4.2 聚类指标 | 第41-43页 |
| 4.2.1 距离的度量 | 第41页 |
| 4.2.2 异常群体的划分 | 第41-43页 |
| 4.2.3 算法效果评判标准 | 第43页 |
| 4.3 对比实验 | 第43-54页 |
| 4.3.1 Kmeans聚类分析 | 第44-47页 |
| 4.3.1.1 参数选择 | 第44页 |
| 4.3.1.2 实验分析 | 第44-47页 |
| 4.3.2 混合高斯模型聚类分析 | 第47-50页 |
| 4.3.2.1 参数选择 | 第48页 |
| 4.3.2.2 实验分析 | 第48-50页 |
| 4.3.3 DBSCAN聚类分析 | 第50-52页 |
| 4.3.4 聚类算法对比分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 基于随机森林的欺诈检测 | 第55-64页 |
| 5.1 基于密度的采样技术 | 第56-58页 |
| 5.2 基分类器的集成策略 | 第58-59页 |
| 5.3 实验与分析 | 第59-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 基于Hadoop的异常欺诈检测系统 | 第64-78页 |
| 6.1 聚类分析模块 | 第65-72页 |
| 6.1.1 数据集切分 | 第65-69页 |
| 6.1.2 局部DBSCAN聚类 | 第69页 |
| 6.1.3 聚类结果的合并 | 第69-72页 |
| 6.2 随机森林模块 | 第72-76页 |
| 6.2.1 数据分发 | 第73-75页 |
| 6.2.2 数据预测 | 第75-76页 |
| 6.3 审核模块 | 第76-77页 |
| 6.4 本章小结 | 第77-78页 |
| 第七章 总结与展望 | 第78-80页 |
| 7.1 总结 | 第78页 |
| 7.2 展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-83页 |
