Implementing Random Forest Method for Healthcare Provider Fraud Detection Framework to Mitigate Financial Risk and Cost Optimization in Healthcare Management
Este artículo propone un marco de aprendizaje automático basado en Random Forest, mejorado con el balanceo de clases SMOTE-Tomek, para detectar eficazmente el fraude de proveedores de atención médica y mitigar los riesgos financieros al superar a los modelos tradicionales como Decision Trees, Logistic Regression, SVM y Naive Bayes en precisión y métricas de desempeño clave.