21、健康保险欺诈检测与实时美国手语解读技术探索

健康保险欺诈检测与实时美国手语解读技术探索

健康保险欺诈检测

在健康保险领域，欺诈行为的检测至关重要。为了有效识别欺诈案例，提出了一种基于特征选择的模型。
1. 数据预处理
- 原数据集存在不平衡因素，少数类仅占 10%，这影响了学习器的性能。为解决此问题，构建了修改后的数据集。
- 采用 SMOTE（合成少数过采样技术）生成少数类样本，以平衡数据集。
- 使用顺序前向选择（Sequential Forward Selection，SFS）技术，根据特征重要性选择特征，不断添加特征直到不再影响目标标准。
- 对修改后的数据集进行随机采样，得到训练集和测试集。
2. 机器学习技术应用
- 训练集通过多种机器学习技术进行处理，包括 KNN、LDA、ANN、AdaBoost、GBM、Bagging 和 Stacking。
- 测试集用于评估，以确定欺诈案例。
- 获取分类器的性能指标，以找到最适合该数据集的欺诈检测学习技术。
3. 性能指标
- 准确率（Accuracy） ：所有真实结果（包括真正例和真反例）占所有检查案例的比例。公式为：$Accuracy = \frac{TP + TN}{TP + TN + FP + FN}$
- 灵敏度（Sensitivity） ：正确预测的正例观察值占所有正例观察值的比例，也称为召回率或真正例率。公式为：$Sensitivity = \frac{TP}{TP + FN}$