KaydedilenlerDerginizi ekleyin

Dergiler / Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi / 2026 / Cilt: 5 Sayı: 1

Makine Öğrenmesi Kullanarak Riskli Dolandırıcılık Tespiti: Sigorta Talepleri

Riskified Fraud Detection Using Machine Learning: Insurance Claims

Hakan Kaya(İstanbul Okan Üniversitesi)0000-0002-0812-4839
Sayfa
39–56
Yayın Tarihi
2024-04-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmanın bulguları, sigorta sektöründe dolandırıcılık tespiti için faydalı ve temel çerçeve, sigorta sektöründe gerçek zamanlı problem çözme için bir işlevselliğe sahiptir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sigorta sektöründe dolandırıcılık önemli ve yaygın olarak kabul edilen bir sorundur.
📊
Temel Bulgular & Veri:Algoritmalar doğruluk değeri açısından karşılaştırılacak, en iyi değerleri veren algoritma belirlenecektir.
💡
Sonuç & Katkı:Bu çalışmanın bulguları, sigorta sektöründe dolandırıcılık tespiti için faydalı ve temel çerçeve, sigorta sektöründe gerçek zamanlı problem çözme için bir işlevselliğe sahiptir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Sigorta · Dolandırıcılık Tespiti · Makine Öğrenimi

Özet

Sigorta sektöründe dolandırıcılık önemli ve yaygın olarak kabul edilen bir sorundur. Sahte iddiaların sigortacılara önemli bir mali yük getirdiği göz önüne alındığında, meşru ve sahte iddialar arasında ayrım yapmak çok önemlidir. İlgili zaman ve maliyet nedeniyle her iddiayı manuel olarak incelemenin pratik olmadığı göz önüne alındığında, gelişmiş teknolojinin kullanılması zorunlu hale gelmektedir. Bu çalışmanın amacını, sigorta endüstrisinde dolandırıcılığı tespit etmek için makine öğrenimi algoritmalarıyla tahmin modellerinin kullanıldığı bir çerçeve oluşturmaktır. Çalışma için özel bir sigorta şirketinin hasar kayıtlarından bir veriseti hazırlanmıştır. Dolandırıcılık tespiti mekanizması geliştirmek için on bir tahmin modeli (Ada Boost, Cat Boost, Decision Tree, Extremely Randomized Tree, Gradient Boosting, KNN, LightGBM, Random Forest, Stochastic Gradient Boosting (SGB), Support Vector Classification (SVC) ve Voting Classifiers) uygulanmaktadır. Algoritmalar doğruluk değeri açısından karşılaştırılacak, en iyi değerleri veren algoritma belirlenecektir. Tüm metrikleri hesaplamak ve görüntülemek için GridSearchCV, Karmaşıklık Matrisi ve Sınıflandırma Raporu yöntemleri (Doğruluk, Kesinlik, Geri Çağırma ve F1-Puanı) kullanılmıştır. Bu çalışmanın sonucunda, Random Forest ve Decision Tree algoritmaları %75,6 ile en yüksek sınıflandırma doğruluğuna sahip olarak diğer modellerden daha iyi performans göstermiştir. Bu çalışmanın bulguları, sigorta sektöründe dolandırıcılık tespiti için faydalı ve temel çerçeve, sigorta sektöründe gerçek zamanlı problem çözme için bir işlevselliğe sahiptir.

Abstract

In the insurance industry, fraud presents a significant and widely recognized challenge. With fraudulent claims posing a substantial financial burden on insurers, it's crucial to distinguish between legitimate and false claims. Given the impracticality of manually scrutinizing every claim due to the associated time and cost, employing advanced technology becomes imperative. This article delves into utilizing predictive models powered by machine learning algorithms to analyze claim data. For the study, a dataset was prepared from the damage records of a private insurance company. Eleven predictive models (Ada Boost, Cat Boost, Decision Tree, Extremely Randomized Tree, Gradient Boosting, KNN, LightGBM, Random Forest, Stochastic Gradient Boosting (SGB), Support Vector Classification (SVC), and Voting Classifiers) are applied for developing a fraud detection mechanism. Algorithms will be compared in terms of score the algorithm that gives the best values will be determined. GridSearchCV, Confusion Matrix and Classification Report methods (Accuracy, Precision, Recall, and F1-Score) of the used to calculate and display all metrics. As a result of this study, the Random Forest and Decision Tree Classifiers outperformed the other models with have the highest classification accuracy of 75.6%. The findings of this study are beneficial for fraud detection and the underlying framework holds a functionality for real-time problem-solving in the insurance sector.

🔖

Bu Makaleye Atıf Yap

Kaya, H. (2024). Makine Öğrenmesi Kullanarak Riskli Dolandırıcılık Tespiti: Sigorta Talepleri. Malatya Turgut Özal Üniversitesi İşletme ve Yönetim Bilimleri Dergisi, Cilt: 5 Sayı: 1, 39–56. https://ajindex.com/articles/1595824

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (29)

  1. Ali, A., Abd Razak, S., Othman, S. H., Eisa, T. A. E., Al-Dhaqm, A., Nasser, M., & Saif, A. (2022). Financial fraud detection based on machine learning: a systematic literature review. Applied Sciences, 12(19), 9637.
  2. Au, T. C. (2018). Random forests, decision trees, and categorical predictors: the" absent levels" problem. The Journal of Machine Learning Research, 19(1), pp. 1737-1766.
  3. Bandi, R., Likhit, M. S. S., Reddy, S. R., Bodla, S. R., & Venkat, V. S. (2023). Voting Classifier-Based Crop Recommendation. SN Computer Science, 4(5), 516. https://doi.org/10.1007/s42979-023-01995-8
  4. Chakrabarty, N., Kundu, T., Dandapat, S., Sarkar, A., & Kole, D. K. (2019). Flight arrival delay prediction using gradient boosting classifier. In Emerging Technologies in Data Mining and Information Security: Proceedings of IEMIS 2018, Volume 2, pp. 651-659. https://doi.org/10.1007/978-981-13-1498-8_57
  5. Charbuty, B., & Abdulazeez, A. (2021). Classification based on decision tree algorithm for machine learning. Journal of Applied Science and Technology Trends, 2(01), pp. 20-28. https://doi.org/10.38094/jastt20165
  6. Choi, J. M., Kim, J. H., & Kim, S. J. (2021). Application of Reinforcement Learning in Detecting Fraudulent Insurance Claims. International Journal of Computer Science & Network Security, 21(9), pp. 125-131.
  7. Freund, Y., & Schapire, R. E. (1996). Experiments with a new boosting algorithm. In icml, Vol. 96, pp. 148-156.
  8. Geren, Y. (2020). Makine Öğrenmesi ile Sigorta Hasarlarında Sahtecilik Tespiti. Turkish Studies-Information Technologies and Applied Sciences, 15(2), pp. 195-209.
  9. Goetz, M., Weber, C., Bloecher, J., Stieltjes, B., Meinzer, H. P., & Maier-Hein, K. (2014). Extremely randomized trees based brain tumor segmentation. Proceeding of BRATS challenge-MICCAI, 14, pp. 6-11.
  10. Hanafy, M. O. H. A. M. E. D., & Ming, R. (2021). Using machine learning models to compare various resampling methods in predicting insurance fraud. J. Theor. Appl. Inf. Technol, 99(12), pp. 2819-2833.
  11. Hanafy, M., & Ming, R. (2022). Classification of the Insureds Using Integrated Machine Learning Algorithms: A Comparative Study. Applied Artificial Intelligence, 36(1), 2020489.
  12. Insurance Fraud Information System (SISBIS) Statistics, (2024) https://siseb.sbm.org.tr/tr/istatistikler
  13. Itri, B., Mohamed, Y., Omar, B., & Mohamed, Q. (2020). Empirical oversampling threshold strategy for machine learning performance optimisation in insurance fraud detection. International Journal of Advanced Computer Science and Applications, 11(10).
  14. Jones, K. I., & Sah, S. (2023). The Implementation of Machine Learning In The Insurance Industry With Big Data Analytics. International Journal of Data Informatics and Intelligent Computing, 2(2), pp. 21-38. https://doi.org/10.59461/ijdiic.v2i2.47
  15. Kalra, H., Singh, R., & Kumar, T. S. (2022). Fraud Claims Detection in Insurance Using Machine Learning. Journal of Pharmaceutical Negative Results, pp. 327-331.
  16. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., & Liu, T. Y. (2017). Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30 (NIPS 2017), pp. 3146-3154.
  17. Kramer, O. (2013). K-nearest neighbors. Dimensionality reduction with unsupervised nearest neighbors, pp. 13-23. https://doi.org/10.1007/978-3-642-38652-7_2
  18. Liashchynskyi, P., & Liashchynskyi, P. (2019). Grid search, random search, genetic algorithm: a big comparison for NAS. arXiv preprint arXiv:1912.06059.
  19. Liu, T., Jin, L., Zhong, C., & Xue, F. (2022). Study of thermal sensation prediction model based on support vector classification (SVC) algorithm with data preprocessing. Journal of Building Engineering, 48, 103919. https://doi.org/10.1016/j.jobe.2021.103919.
  20. Muneer, A., & Fati, S. M. (2020). Efficient and automated herbs classification approach based on shape and texture features using deep learning. IEEE Access, 8, pp. 196747-196764.
  21. Naseer, S., Fati, S. M., Muneer, A., & Ali, R. F. (2022). iAceS-Deep: Sequence-based identification of acetyl serine sites in proteins using PseAAC and deep neural representations. IEEE Access, 10, pp. 12953-12965.
  22. Nordin, S. Z. S., Wah, Y. B., Haur, N. K., Hashim, A., Rambeli, N., & Jalil, N. A. (2024). Predicting automobile insurance fraud using classical and machine learning models. International Journal of Electrical and Computer Engineering (IJECE), 14(1), pp. 911-921.
  23. Pranavi, P. S., Sheethal, H. D., Kumar, S. S., Kariappa, S., & Swathi, B. H. (2020). Analysis of Vehicle Insurance Data to Detect Fraud using Machine Learning. International Journal for Research in Applied Science & Engineering Technology (IJRASET), 8(7), pp. 2033-2038.
  24. Prokhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2018). CatBoost: unbiased boosting with categorical features. Advances in neural information processing systems, 31.
  25. Sarang, P. (2023). Ensemble: Bagging and Boosting: Improving Decision Tree Performance by Ensemble Methods. In Thinking Data Science: A Data Science Practitioner’s Guide, pp. 97-129. https://doi.org/10.1007/978-3-031-02363-7_5
  26. Sathya, M., & Balakumar, B. (2022). Insurance Fraud Detection Using Novel Machine Learning Technique. International Journal of Intelligent Systems and Applications in Engineering, 10(3), pp. 374-381.
  27. Sokolova, M., Japkowicz, N., & Szpakowicz, S. (2006, December). Beyond accuracy, F-score and ROC: a family of discriminant measures for performance evaluation. In Australasian joint conference on artificial intelligence, pp. 1015-1021. Berlin, Heidelberg: Springer Berlin Heidelberg.
  28. Subudhi, S., & Panigrahi, S. (2020). Use of optimized Fuzzy C-Means clustering and supervised classifiers for automobile insurance fraud detection. Journal of King Saud University-Computer and Information Sciences, 32(5), pp. 568-575.
  29. Ustimenko, A., & Prokhorenkova, L. (2021). SGLB: Stochastic gradient langevin boosting. In International Conference on Machine Learning, pp. 10487-10496.