Interpretable Vehicle Insurance Claim Fraud Detection Using Categorical Preprocessing, SMOTE-NC and a Decision Tree
本文表明，通过使用 SMOTE-NC 进行过采样和类别编码进行精心预处理的决策树分类器，尽管在不平衡数据集上仅取得了适度的精确率，但仍能以高召回率和完全的可解释性有效地优先识别车辆保险欺诈。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年，保险公司都要处理数以百万计的车辆理赔申请，这是一股庞大的文书流，涵盖了从轻微擦碰到全损的所有情况。虽然这些请求大多是合法的，但其中一小部分却具有高昂成本的欺诈行为，涉及虚构事故或夸大维修费用。这种欺骗行为推高了整体成本，迫使保险公司提高诚实驾驶员的保费，并要求人工调查人员花费无数小时在文件中搜寻假冒案件。数据科学家的挑战在于构建一个能够识别这些罕见恶意的系统，而不至于迷失在数百万件正常理赔的噪音之中。其难点主要在于两个领域：一是欺诈行为的极度稀缺性，这使得计算机只需简单地猜测“无欺诈”就能在大多数情况下保持正确；二是数据本身的杂乱性质，其中充满了如汽车品牌、保单类型和事故地点等基于文本的类别，而非整齐的数字。
印度桑吉瓦尼大学（Sanjivani University）的一位研究人员试图探索，只要数据经过极其细致的准备，计算机是否能通过一种非常简单且透明的方法来学习识别这些欺诈行为。该研究并没有构建一个难以理解的复杂“黑箱”人工智能，而是专注于单一的决策树——一种类似于“是或否”问题流程图的模型。研究的目标是确定成功的关键在于模型的复杂程度，还是在于计算机接触数据之前对数据进行清洗和组织的严谨性。研究人员采用了包含超过15,000件车辆保险理赔的公开数据集，其中仅有约6%实际上属于欺诈，并应用了一系列严格的步骤来清洗信息。这包括移除可能误导计算机记住特定案例的唯一标识符，将文本类别转换为机器可以理解的格式，并仔细平衡训练数据，以便计算机能够关注那些稀有的欺诈案例，而不是忽略它们。
结果表明，这种严谨的方法对于一个简单的工具来说效果显著。当在一个从未见过的全新理赔数据集上进行测试时，该模型正确识别了超过一半的欺诈案件，抓住了277起隐藏骗局中的150起。这比标准方法有了显著提升，因为标准方法只会简单地将每一项理赔都标记为诚实，从而会漏掉所有的欺诈。然而，研究也强调了一个必要的权衡：为了捕捉到这么多骗局，该系统也将大约700件诚实的理赔标记为可疑，这意味着在系统生成的每六个警报中，只有一个实际上是欺诈。这是欺诈检测中一个常见的现实：错过骗局的代价很高，但让诚实客户感到困扰的代价也同样真实。该模型并不试图自动拒绝理赔，而是作为一个高效的过滤器，将海量的文书进行分类，并将最可疑的案件交给人工调查员进行进一步审查。
这项工作的脱颖而出之处不在于算法的复杂性，而在于它所产生的规则的清晰度。因为该模型是一个决策树，它的每一个预测都可以追溯到一组特定的条件，例如车辆类型、保单详情或事故性质。研究发现，识别欺诈最重要的因素是事故中的责任判定、基础保单类型以及所持有的具体保险政策类型。这些发现与人类调查人员已有的怀疑相吻合，但计算机是通过单纯从数据模式中学习得出这些结论的。研究表明，对于像保险业这样需要透明度的行业，一个准备充分的简单模型可能比一个无法解释其推理过程的复杂模型更有价值。
研究结论认为，虽然该系统并不完美且需要人工监督来处理误报，但它提供了一种强大的、低成本的方式来优先处理调查工作。通过关注如何准备数据而非构建更复杂的机器，研究人员证明了单一的、可解释的决策树可以有效地从保险理赔的汪洋大海中分离出信号与噪音。这种方法允许监管机构和公司看到理赔被标记的具体原因，在确保少数恶意的行为者不会隐藏在数百万名诚实驾驶员之中，同时也建立了对系统的信任。这项工作提醒我们，在数据科学的世界里，有时最有效的工具并非功能最强大的那个，而是那个针对问题的现实进行了最精细调优的工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。