پيش بيني هزينه هاي بيمه درماني افراد با استفاده از يادگيري ماشين و روش يادگيري جمعي

پيشينه و اهداف: صنعت بيمه‌ درماني‌‌ در پيش‌‌بيني هزينه‌‌هاي بيمه افراد كه براساس پارامترهاي پيچيده‌‌اي مانند سن و ويژگي‌هاي فيزيكي است، با چالش مهمي مواجه است. شركت‌هاي بيمه براي مديريت ريسك و جلوگيري از زيان احتمالي، بيمه‌گذاران را به دو گروه پرخطر و كم‌خطر دسته‌‌بندي مي‌كنند. بااين‌حال، برآورد دقيق هزينه‌ها براي هر فرد مي‌تواند كار سختي باشد. براي مقابله با اين چالش، ما رويكردي مبتني بر علم داده و يادگيري ماشين را پيشنهاد مي‌كنيم كه از يادگيري جمعي براي پيش‌بيني افراد پرخطر و كم‌‌خطر استفاده مي‌كند.روش‌شناسي: روش پيشنهادي شامل مراحل مختلفي از جمله پيش‌‌پردازش داده‌‌ها، مهندسي ويژگي‌‌ها و اعتبارسنجي متقابل براي ارزيابي عملكرد مدل است. در مرحله‌ اول، داده‌‌ها را با پاك كردن، مديريت مقادير ازدست‌رفته و رمزگذاري متغيرهاي طبقه‌‌بندي، پيش‌‌پردازش مي‌‌كنيم. در مرحله‌ دوم، ما ويژگي‌هاي جديدي را با استفاده از روش‌هاي مهندسي ويژگي‌‌ها مانند مقياس‌بندي، نرمال‌سازي و كاهش ابعاد توليد مي‌كنيم. اين روش‌‌ها به استخراج اطلاعات معنادار از داده‌‌ها و بهبود عملكرد مدل كمك مي‌‌كند. در مرحله‌ بعد، ما از يادگيري جمعي براي تركيب روش‌هاي رگرسيون متعدد، مانند رگرسيون لجستيك، شبكه‌هاي عصبي، ماشين‌هاي بردار پشتيباني، جنگل‌هاي تصادفي، LightGBM و XGBoost استفاده مي‌كنيم. هدف از تركيب اين روش‌‌ها اين است كه از نقاط قوت آن‌ها استفاده كنيم و نقاط ضعف آن‌ها را به حداقل برسانيم تا به دقت پيش‌‌بيني بهتري دست يابيم. در نهايت، عملكرد مدل را با استفاده از روش اعتبارسنجي متقاطع k-fold ارزيابي مي‌كنيم. اين روش به اعتبارسنجي دقت مدل و جلوگيري از برازش بيش از حد كمك مي‌كند.يافته‌ها: رويكرد پيشنهادي ما به AUC برابر با 0.73 دست مي‌‌يابد كه اثربخشي آن را در پيش‌‌بيني افراد پرخطر و كم‌‌خطر نشان مي‌‌دهد.نتيجه‌گيري: با استفاده از علم داده و روش‌‌هاي يادگيري ماشين، شركت‌‌هاي بيمه مي‌‌توانند دقت برآورد هزينه‌ خود را بهبود بخشند و ريسك را بهتر مديريت كنند. اين رويكرد مي‌‌تواند به شركت‌‌هاي بيمه كمك كند تا پوشش بيمه‌‌اي و قيمت‌‌گذاري دقيق‌‌تري را براي افراد ارائه دهند كه به رضايت بيشتر مشتريان و كاهش زيان‌‌هاي مالي منجر مي‌‌شود.