فهرست نشریات علمی دسترسی آزاد ایران

پیشینه و اهداف: صنعت بیمة درمانی‌‌ در پیش‌‌بینی هزینه‌‌های بیمه افراد که براساس پارامترهای پیچیده‌‌ای مانند سن و ویژگی‌های فیزیکی است، با چالش مهمی مواجه است. شرکت‌های بیمه برای مدیریت ریسک و جلوگیری از زیان احتمالی، بیمه‌گذاران را به دو گروه پرخطر و کم‌خطر دسته‌‌بندی می‌کنند. بااین‌حال، برآورد دقیق هزینه‌ها برای هر فرد می‌تواند کار سختی باشد. برای مقابله با این چالش، ما رویکردی مبتنی بر علم داده و یادگیری ماشین را پیشنهاد می‌کنیم که از یادگیری جمعی برای پیش‌بینی افراد پرخطر و کم‌‌خطر استفاده می‌کند.روش‌شناسی: روش پیشنهادی شامل مراحل مختلفی از جمله پیش‌‌پردازش داده‌‌ها، مهندسی ویژگی‌‌ها و اعتبارسنجی متقابل برای ارزیابی عملکرد مدل است. در مرحلة اول، داده‌‌ها را با پاک کردن، مدیریت مقادیر ازدست‌رفته و رمزگذاری متغیرهای طبقه‌‌بندی، پیش‌‌پردازش می‌‌کنیم. در مرحلة دوم، ما ویژگی‌های جدیدی را با استفاده از روش‌های مهندسی ویژگی‌‌ها مانند مقیاس‌بندی، نرمال‌سازی و کاهش ابعاد تولید می‌کنیم. این روش‌‌ها به استخراج اطلاعات معنادار از داده‌‌ها و بهبود عملکرد مدل کمک می‌‌کند. در مرحلة بعد، ما از یادگیری جمعی برای ترکیب روش‌های رگرسیون متعدد، مانند رگرسیون لجستیک، شبکه‌های عصبی، ماشین‌های بردار پشتیبانی، جنگل‌های تصادفی، LightGBM و XGBoost استفاده می‌کنیم. هدف از ترکیب این روش‌‌ها این است که از نقاط قوت آن‌ها استفاده کنیم و نقاط ضعف آن‌ها را به حداقل برسانیم تا به دقت پیش‌‌بینی بهتری دست یابیم. در نهایت، عملکرد مدل را با استفاده از روش اعتبارسنجی متقاطع k-fold ارزیابی می‌کنیم. این روش به اعتبارسنجی دقت مدل و جلوگیری از برازش بیش از حد کمک می‌کند.یافته‌ها: رویکرد پیشنهادی ما به AUC برابر با 73/0 دست می‌‌یابد که اثربخشی آن را در پیش‌‌بینی افراد پرخطر و کم‌‌خطر نشان می‌‌دهد.نتیجه‌گیری: با استفاده از علم داده و روش‌‌های یادگیری ماشین، شرکت‌‌های بیمه می‌‌توانند دقت برآورد هزینة خود را بهبود بخشند و ریسک را بهتر مدیریت کنند. این رویکرد می‌‌تواند به شرکت‌‌های بیمه کمک کند تا پوشش بیمه‌‌ای و قیمت‌‌گذاری دقیق‌‌تری را برای افراد ارائه دهند که به رضایت بیشتر مشتریان و کاهش زیان‌‌های مالی منجر می‌‌شود.