محمدرضا اصغری اسکوئی - استادیار دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبایی (نویسنده مسئول)
فربد خانی زاده - استادیار پژوهشکده بیمه و مسئول میز تخصصی طراحی الگوریتم و یادگیری ماشین
آزاده بهادر - پژوهشگر پژوهشکده بیمه و مسئول میز تخصصی بیمههای اتومبیل

هدف: طبقهبندی ریسک بیمهگذاران بر مبنای ویژگیهای قابل مشاهده میتواند به شرکتهای بیمه جهت کاهش زیان، شناخت دقیقتر مشتریان و جلوگیری از وقوع انتخاب نامساعد در بازار بیمه کمک شایانی کند. هدف این مقاله، بررسی خسارتهای مالی ایجاد شده در بیمه شخص ثالث و پیشبینی ریسک بیمهگذاران در احتمال وقوع حادثه میباشد. روششناسی: با استفاده از الگوریتمهای درخت تصمیم، ماشین بردار پشتیبان، نایو بیز و شبکه عصبی؛ به کشف الگوهای پنهان دادهها، در راستای طبقهبندی بیمهگذاران بیمه شخص ثالث پرداخته شده است. همچنین توزیع نامتعادل دادهها در دو گروه خسارتدیده و خسارتندیده سبب یک چالش مهم در کاربرد روشهای یادگیری ماشین و دادهکاوی است که در این مقاله مورد توجه قرار گرفته است. یافتهها: مجموعه داده متعلق به یکی از شرکتهای بیمه و حاوی بیش از چهارصد هزار نمونه ثبت شده در پنج سال و شامل چهار متغیر مستقل نوع خودرو، گروه خودرو، نوع پلاک و سن خودرو و یک متغیر وابسته و دو ارزشی خسارت مالی است. با توجه به نتایج بدست آمده بهترین کارکرد و دقت پیشبینی (با دقت F۱=) مربوط به مدل درخت تصمیم میباشد. نتیجهگیری: میزان تاثیرگذاری متغیرها در وقوع خسارت به ترتیب اولویت عبارتنداز: نوع خودرو، نوع پلاک، سن خودرو و گروه خودرو. نتایج ارزیابی نشان میدهد برای پیشبینی دقیقتر خسارت و مشتریان پر ریسک به دادههای بیشتری مرتبط با ویژگیهای راننده نیاز میباشد.   طبقهبندی موضوعی:G۲۲, G۱۷, F۴۷

دستهبندی مشتریان, درخت تصمیم, ماشین بردار پشتیبان, نایو بیز و شبکههای عصبی