基于數據挖掘技術的汽車保險欺詐識別研究
【文章頁數】:67 頁
【學位級別】:碩士
【部分圖文】:
圖5.1網絡權值矩陣和可視化網絡拓撲圖??Fig.?5.1?Network?weight?matrix?and?visual?network?topology??
函數采用交互熵,輸出節點的激活函數為Sigmoid函數。共進行了?1507次迭代,??迭代結束時損失函數為64.74,權值的最大調整量為0.0087。由各網絡節點的權??值,得網絡權值矩陣和可視化網絡拓撲圖,如圖5.1所示。??^——¥??囬?Un?\??[lf?1?15.266....
圖5.2?廣義權值散點圖??Fig.?5.2?Gen?
圖5.2?廣義權值散點圖??Fig.?5.2?Generalized?weighted?scatter?plot??由圖5.2,到期期限、駕駛員性別、定損照片張數和歷史出險次數的廣義權值??幾乎均在0附近,所以這四個變量的重要性相對較弱;而車輛所屬性質、是否??自動核保、驗車情況....
圖5.3數據集平衡化處理對分類準確度的影響??Fi.?5.3?The?influence?of?data?set?balance?on?classification?accurac
對算法分類性能的影響。對文中的車險數據,隨機選擇產生訓練集和測試??集,其中70%的數據構成訓練集,剩余的數據作為測試集。通過計算分類準確率??和誤差,對算法性能進行綜合評價。10折交叉驗證的測試結果如圖5.3??和圖5.4所示。??1001?■?'?????■?■?■?■—??....
圖5.4數據集平衡化處理對06^誤差的影響??
圖5.4數據集平衡化處理對06^誤差的影響??Fig.?5.4?The?influence?of?data?set?balance?on?OOB?error??圖5.3中,平衡后的數據集較初始非平衡數據集而言具有較高的分類準確??度。同時圖5.4中平衡化數據集在005誤差上性能的....
本文編號:3992506
本文鏈接:http://www.malleg.cn/falvlunwen/xingfalunwen/3992506.html

