کاربرد یادگیری بدون نظارت در کشف تقلبات بیمه اتومبیل (الگوریتم جنگل ایزوله)

استراتژی شرکت‌های بیمه در مقابله با تخلفات و تقلبات، بسیار حائز اهمیت می‌باشد. نداشتن چنین برنامه‌ای برای جلوگیری از تقلبات بیمه‌ای و پرداخت سریع خسارت بیمه‌گذاران، ممکن است در کوتاه مدت موجب رضایت مشتریان و افزایش پورتفوی شرکت‌ها گردد؛ اما در بلندمدت عواقب ناگواری را برای صنعت بیمه به همراه دارد. به‌عبارت دیگر، هزینه پرونده‌های تقلب خسارت در طول زمان به‌صورت افزایش حق بیمه و غیرمستقیم به بیمه‌گذاران منتقل می‌گردد. هدف از این مطالعه، ارائه مکانیزمی به شرکت‌های بیمه جهت کشف تقلب است. دستیابی به این هدف از طریق الگوریتم بدون نظارت و جهت کشف ناهنجاری آشکار در مجموعه داده می‌باشد. استفاده از الگوریتم مزبور به علت تجمیعی بودن آن باعث افزایش دقت در تشخیص پرونده‌های مشکوک به تقلب و کاهش موارد مثبت کاذب می‌گردد. بر اساس نتایج مقاله خسارت وارده به راننده مقصر، نوع و کاربری خودرو، جنسیت زیان‌دیده از مهمترین شاخص‌ها در کشف پرونده‌های مشکوک به تقلب هستند.

employing unsupervised learning to detect fraudulent claims in auto insurance (isolation forest)

for insurance companies, fraud detection strategies are of significant importance. lack of such a plan to prevent insurance fraud and making payments quickly to insured in order to compensate for losses will lead to customer satisfaction and increase companies’ portfolio in short term. however in the long run, it will have dire consequences for the insurance industry. in other words, the cost of fraudulent claims would be transferred indirectly to insured in the form of a rise in premiums. the purpose of this study is to provide insurers with a mechanism to detect fraudulent claims. this goal is achieved through an unsupervised algorithm to detect anomalies in the data set. the use of this algorithm, as it is an ensemble learning, increases the accuracy in detecting suspicious cases and reduces false positives. according to the results, the damage to the culprit, the type and use of the vehicle, and the sex of the victim are among the most important indicators in the detection of fraudulent cases.