Makine öğrenmesi yöntemleri ile gerçek zamanlı suistimal tahminleme

Suistimal tespiti, sigorta endüstrisinde en kritik konulardan biridir. Mevcut literatür çoğunlukla teorik olarak geçerli modeller sunsa da, sadece birkaçı gerçeğe yakın verileri kullanmış ve diğerleri sıkça hedef değişkenin gerçek dengesini göz ardı etmiştir. Ayrıca, sigorta dolandırıcılığını tahmin eden modellerin açıklanabilirlik eksikliği, geliştirilmesi gereken başka bir alan olarak öne çıkmaktadır. Suistimal tespitindeki zorluk, son derece dengesiz veri setleri ile başa çıkmak ve model metriklerini doğru bir şekilde yorumlamaktır. Gerek veri hazırlama sürecinde gerekse de sonuçların değerlendirilmesinde modellerin açıklanabilirliğini ön planda tutmak, verilen kararların tutarlılığına, hesap verilebilirliğine ve iş bilgisinin arttırılmasına büyük katkı sağlar. Bu tez, gerçek sistemler tarafından üretilmiş sigorta verileri kullanılarak (hedef değişken oranı yüzde 0.5) açıklanabilir makine öğrenimi modelleri oluşturmak için bir metodoloji sunmayı amaçlamaktadır. Performans üzerinde çeşitli özellik seçimi yöntemlerinin etkileri çeşitli makine öğrenimi algoritmalarıyla test edilmiş ve en uygun makine öğrenimi algoritması - özellik seçimi yöntemi çifti belirlenmeye çalışılmıştır. En iyi sonuçları veren ML algoritmaları arasında, bir oy verme mekanizması kullanılarak meta-ensemble self-learning model yaklaşımı uygulanması önerilmiş, sonuçlar model eşik değeri ayarlaması ile optimize edilmiştir. Model sonuçlarının değerlendirilmesinde, son derece dengesiz bir veri setinin kullanılıyor olması göz önüne alınmalıdır. Bu kriter ışığında, oluşturulan temel modelin hassasiyet, duyarlılık ve F1 puanı sırasıyla %28.02, %38.41 ve %32.4 olarak hesaplandı. Önerilen meta-ensemble self-learning yöntemi kullanılarak elde edilen sonuçlar sırasıyla %22.7, %11.3 ve %31.8 artırılmıştır. Temel model yaklaşımıyla elde edilen modelin yorumlanabilirliği, SHAP değerlerini inceleyerek, modelde kullanılan özelliklerin benzerliklerini ve ayrışmalarını analiz ederek değerlendirilmiştir. Yapılan testler, önerilen yöntemle elde edilen modelin sahtekarlık tahminleme performansını artırdığını, tutarlılığı bozmadığını göstermektedir.