72、医保欺诈检测：机器学习解决方案

医保欺诈检测：机器学习解决方案

1. 引言

在医疗保健领域，医保欺诈检测是一个至关重要的问题。过往关于医保保险索赔欺诈检测的研究，促使我们思考近期的梯度提升决策树（GBDT）实现，结合自动编码器的自动特征提取能力以应对高维度问题，再进行类别采样，是否是一种适用于医保欺诈检测的算法。

2. 关键问题及解决方案

2.1 处理不平衡数据集：采样方法

在欺诈检测中应用机器学习模型，尤其是处理医保数据时，主要挑战在于两类数据（正常和欺诈提供者）的高度不平衡分布。当数据集中负类（多数类）的数据点数量远多于正类（少数类）时，就会出现类别不平衡问题。如果仅考虑准确率指标，模型通常会给出错误结果，且得分可能过于乐观而具有误导性。这是因为少数类点常被视为无信息的异常值，模型会倾向于多数类。

为解决类别不平衡问题，可以采用不同的训练策略，如重采样（过采样和欠采样）、成员概率阈值设定和成本敏感学习。重采样是处理不平衡数据集最常用的方法之一，其中欠采样和过采样是重采样的两种常见策略。多数关于医保数据集欺诈检测的研究使用重采样技术（通常是通过改变采样比率的欠采样技术）来克服类别不平衡问题。不过，这些研究得出结论，欠采样（下采样）比过采样更有效，因为添加新的数据样本会导致过拟合，并增加分类器的训练时间。

因此，本文提出一种基于过采样技术的方法——SMOTE（Synthetic Minority Over - sampling Technique），为少数类创建人工样本。该技术有助于避免随机过采样导致的过拟合问题，随机过采样是将少数实例的精确副本添加到原始数据集中，而 SMOTE 以少数类的一部分数据为示例，创建新的合成相同实例。