本文關(guān)鍵詞：醫(yī)療保險(xiǎn)欺詐檢測的研究與應(yīng)用

  更多相關(guān)文章： 醫(yī)療保險(xiǎn) 欺詐檢測 二級特征提取 高斯混合模型 隨機(jī)森林算法

【摘要】：隨著國內(nèi)基本醫(yī)療制度的改革,醫(yī)療保險(xiǎn)覆蓋面越來越廣,引發(fā)了越來越嚴(yán)重的醫(yī)療保險(xiǎn)欺詐行為,嚴(yán)重影響了人們的看病就醫(yī)。因此,建立完善的醫(yī)療保險(xiǎn)欺詐檢測系統(tǒng),預(yù)防欺詐行為顯得尤為重要。本文主要工作是通過研究醫(yī)療保險(xiǎn)數(shù)據(jù),提取合適的特征,采用無監(jiān)督聚類和有監(jiān)督分類相結(jié)合的方法,建立了一套醫(yī)療保險(xiǎn)欺詐檢測模型。本文首先通過分析醫(yī)療保險(xiǎn)數(shù)據(jù)規(guī)律,結(jié)合使用統(tǒng)計(jì)分析技術(shù),對數(shù)據(jù)進(jìn)行二級特征提取;一方面是根據(jù)醫(yī)藥使用知識和概率統(tǒng)計(jì)方法,提取了常用藥關(guān)聯(lián)性和診療方案合理性的二級特征;另一方面根據(jù)醫(yī)藥專業(yè)知識、高斯混合模型技術(shù)和學(xué)習(xí)積分知識提取了大類醫(yī)藥偏離度的二級特征。根據(jù)已有的醫(yī)療保險(xiǎn)欺詐審核規(guī)則對數(shù)據(jù)集進(jìn)行正常與欺詐的劃分,并提出對醫(yī)療保險(xiǎn)數(shù)據(jù)中存在的正常行為數(shù)據(jù)進(jìn)行聚類建模,通過聚類算法,將數(shù)據(jù)中的正常行為數(shù)據(jù)聚出特定的類別,然后為每個(gè)正常行為數(shù)據(jù)聚類簇和欺詐數(shù)據(jù)分別建立一個(gè)分類模型。本文在提取新特征的基礎(chǔ)上,對正常數(shù)據(jù)用高斯混合模型進(jìn)行聚類分析,得到不同的聚類簇后,采用數(shù)據(jù)挖掘中的隨機(jī)森林和支持向量機(jī)分類算法將每個(gè)聚類簇與欺詐數(shù)據(jù)建立分類模型。建立模型后對新數(shù)據(jù)首先是特征提取,然后與聚類模型進(jìn)行距離度量,選取距離最近的聚類簇所構(gòu)建的分類模型,將新數(shù)據(jù)用選取的分類模型進(jìn)行欺詐識別。本文使用醫(yī)療保險(xiǎn)管理局的醫(yī)療保險(xiǎn)數(shù)據(jù),對建立的欺詐檢測模型進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明欺詐檢測模型具有很好的欺詐識別效果,證明本文提出的醫(yī)療保險(xiǎn)欺詐檢測模型在實(shí)際應(yīng)用中有良好的性能。
【關(guān)鍵詞】：醫(yī)療保險(xiǎn) 欺詐檢測 二級特征提取 高斯混合模型 隨機(jī)森林算法
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13;F842.684;R197.1
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 第一章 緒論9-15
• 1.1 選題背景與研究意義9-10
• 1.2 研究現(xiàn)狀與挑戰(zhàn)10-12
• 1.2.1 國內(nèi)外研究現(xiàn)狀10-12
• 1.2.2 面臨的問題與挑戰(zhàn)12
• 1.3 本文研究內(nèi)容與創(chuàng)新點(diǎn)12-13
• 1.4 本文組織結(jié)構(gòu)13-15
• 第二章 相關(guān)理論知識與技術(shù)介紹15-30
• 2.1 數(shù)據(jù)挖掘概述15-17
• 2.2 有監(jiān)督分類算法17-22
• 2.2.1 決策樹算法17-20
• 2.2.2 支持向量機(jī)算法20-22
• 2.3 無監(jiān)督聚類算法22-27
• 2.3.1 k-means聚類算法23-25
• 2.3.2 高斯混合模型聚類算法25-27
• 2.4 異常檢測算法27-29
• 2.5 本章小結(jié)29-30
• 第三章 醫(yī)療保險(xiǎn)數(shù)據(jù)特征提取30-41
• 3.1 醫(yī)療保險(xiǎn)數(shù)據(jù)30-31
• 3.2 原始數(shù)據(jù)預(yù)處理31-33
• 3.3 醫(yī)療保險(xiǎn)數(shù)據(jù)二級特征提取33-40
• 3.3.1 基于統(tǒng)計(jì)概率方法的二級特征提取34-37
• 3.3.2 基于高斯混合模型的二級特征提取37-40
• 3.4 本章小結(jié)40-41
• 第四章 醫(yī)療保險(xiǎn)欺詐檢測算法41-52
• 4.1 算法思想41-42
• 4.2 算法框架42-45
• 4.3 正常醫(yī)療保險(xiǎn)聚類建模45-47
• 4.3.1 確定要聚類的簇?cái)?shù)目。45-46
• 4.3.2 利用高斯混合模型進(jìn)行聚類46-47
• 4.4 欺詐判斷模型構(gòu)建47-51
• 4.4.1 隨機(jī)森林分類模型構(gòu)建48-49
• 4.4.2 支持向量機(jī)分類模型構(gòu)建。49-51
• 4.5 本章小結(jié)51-52
• 第五章 實(shí)驗(yàn)結(jié)果與分析52-69
• 5.1 數(shù)據(jù)來源及預(yù)處理52-55
• 5.2 特征提取實(shí)驗(yàn)55-59
• 5.2.1 一級特征向量化55
• 5.2.2 二級特征提取實(shí)驗(yàn)55-59
• 5.3 欺詐檢測實(shí)驗(yàn)59-68
• 5.3.1 聚類實(shí)驗(yàn)結(jié)果及分析59-60
• 5.3.2 欺詐識別結(jié)果及分析60-68
• 5.4 本章小結(jié)68-69
• 第六章 總結(jié)與展望69-71
• 6.1 總結(jié)69
• 6.2 展望69-71
• 致謝71-72
• 參考文獻(xiàn)72-75

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 劉紅巖,陳劍,陳國青;數(shù)據(jù)挖掘中的數(shù)據(jù)分類算法綜述[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年06期

2 唐華松,姚耀文;數(shù)據(jù)挖掘中決策樹算法的探討[J];計(jì)算機(jī)應(yīng)用研究;2001年08期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 張瑩;我國社會醫(yī)療保險(xiǎn)中的道德風(fēng)險(xiǎn)表現(xiàn)及治理[D];山東大學(xué);2011年

，

本文編號：740802