Implementing Random Forest Method for Healthcare Provider Fraud Detection Framework to Mitigate Financial Risk and Cost Optimization in Healthcare Management
Questo articolo propone un framework di apprendimento automatico basato su Random Forest, potenziato dal bilanciamento delle classi SMOTE-Tomek, per rilevare efficacemente le frodi dei fornitori di assistenza sanitaria e mitigare i rischi finanziari superando i modelli tradizionali come Decision Trees, Logistic Regression, SVM e Naive Bayes in termini di accuratezza e metriche di prestazione chiave.