اعتبارسنجی ادعای بیمه بیکاری با روش ترکیب رده بندها

بیمه بیکاری یکی از مهم‌ترین و پرطرفدارترین انواع بیمه در دنیای امروزی محسوب می‌شود. سازمان تامین اجتماعی در مقابل ادعای بیکاری افراد تحت پوشش این سازمان، وظیفه بررسی صحت این موضوع را دارد. بررسی دستیِ ادعای افراد بیکار نیازمند صرف زمان و هزینه زیادی است. روش‌های داده‌کاوی و یادگیری ماشین به‌عنوان ابزارهای کارآمدِ تحلیل داده‌ها می‌تواند در خودکارسازی این فرآیند به سازمان تامین اجتماعی کمک کنند. در این پژوهش، روشی مبتنی بر یادگیری نظارتی برای بررسی صحت ادعای بیکاری افراد متقاضی ارائه شده است. روش پیشنهادی، اطلاعات بیمه‌شدگان را به‌عنوان ورودی دریافت کرده و پس از تحلیل داده‌ها به هر فرد متقاضی امتیازی تخصیص می‌دهد. سپس بر اساس مقدار این امتیاز، مدعیان بیمه بیکاری را به دو گروه شایسته دریافت بیمه بیکاری و فاقد کفایت برای دریافت بیمه بیکاری دسته‌بندی می‌کند. روش پیشنهادی از دو ترکیب مختلف برای دسته‌بندی ادعای متقاضیان استفاده می‌کند: روش bsa-svm و روش ترکیب  ضرایب اطمینان طبقه‌بندها. در روش bsa-svm برای بهبود کارایی و تخمین پارامترهای کنترلی svm، از الگوریتم بهینه‌سازی جستجوی عقبگرد (bsa) استفاده شده‌است. در روش ترکیب  ضرایب اطمینان طبقه‌بندها، تعدادی طبقه‌بند، از جمله شبکه‌های عصبی مصنوعی، درخت تصمیم و رگرسیون لجستیک داده‌ها را طبقه‌بندی کرده و ضرایب اطمینان این طبقه‌بندها با دو روش مختلف با همدیگر ترکیب می‌شوند. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی bsa-svm با کسب 87% و روش ترکیب طبقه‌بندها با ضرایب اطمینان با کسب دقت 86%، کارایی بهتری در قیاس با سایر روش‌های موجود کسب کرده اند.

verification of unemployment benefits’ claims using classifier combination method

unemployment insurance is one of the most popular insurance types in the modern world. the social security organization is responsible for checking the unemployment benefits of individuals supported by unemployment insurance. hand-crafted evaluation of unemployment claims requires a big deal of time and money. data mining and machine learning as two efficient tools for data analysis can assist social security organization in automating this process. in this research work, a hybrid supervised learning method is proposed to verify the eligibility of applicants for unemployment. the proposed method takes as input the information of insured individuals, and assigns a numeric score to each applicant through analyzing the input data. then, claimants are classified into two groups according to those scores: qualified” and unqualified. the proposed method includes two hybrid strategies: bsa-svm and combination of confidence values. in bsa-svm method, backtracking search algorithm (bsa) is used to estimate the prameters of support vector machines (svm) and improves the classification performance. in the second approach, confidence values extracted from individual classofiers are combined to better classify the input data. empirical evaluation shows an accuracy of 87% for bsa-svm and 86% for the second approach.