Implementing Random Forest Method for Healthcare Provider Fraud Detection Framework to Mitigate Financial Risk and Cost Optimization in Healthcare Management
Cet article propose un cadre d'apprentissage automatique basé sur les forêts aléatoires (Random Forest), amélioré par l'équilibrage de classes SMOTE-Tomek, pour détecter efficacement la fraude des prestataires de soins de santé et atténuer les risques financiers en surpassant les modèles traditionnels tels que les arbres de décision, la régression logistique, les SVM et le Naive Bayes en termes de précision et de mesures de performance clés.