基于SOFM神经网络与随机森林的医保异常检测研究

目录

声明

致谢

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状与难点

1.2.1 国内外研究现状

1.2.2 面临的问题与难点

1.3 论文研究内容

1.4 论文的组织结构

2 相关理论概述

2.1 主成分分析法

2.1.1 主成分分析法的基本原理

2.1.2 主成分分析法的几何解释

2.1.3 主成分分析计算步骤

2.2 自组织特征映射神经网络及其算法

2.2.1 SOFM神经网络结构

2.2.2 SOFM神经网络思想与学习算法

2.3 随机森林算法基本原理及其模型

2.3.1 决策树算法

2.3.2 随机森林算法

2.3.3 随机森林参数设置

3 医保数据特征工程处理

3.1 数据预处理

3.1.1 缺失值处理

3.1.2 噪声处理

3.1.3 数据整合处理

3.2 医保数据特征提取

3.3 医保数据特征处理

3.3.1 特征因子化

3.3.2 数据标准化

3.4 本章小结

4 结合SOFM-RF算法的医保异常检测模型

4.1 结合的SOFM-RF 模型

4.1.1 模型思想

4.1.2 模型建立

4.2 基于改进聚类算法的医保数据划分

4.2.1 常用聚类算法应用

4.2.2 运用PCA改进SOFM算法的研究

4.3 基于SOFM-SMOTE算法的非平衡医保数据处理

4.3.1 非平衡数据处理方法

4.3.2 SOFM-SMOTE算法模型

4.4 基于改进集成分类算法的异常检测

4.4.1 加权基分类器法

4.4.2 异常检测模型

4.5 本章小结

5 实验结果与分析

5.1 基于PCA改进SOFM算法实验

5.1.1 实验环境

5.1.2 主成分分析

5.1.3 聚类分析与对比

5.2 非平衡医保数据处理实验

5.2.1 实验环境

5.2.2 实验结果与分析

5.3 基于改进随机森林算法的医保异常检测实验

5.3.1 实验环境

5.3.2 各分类算法对比

5.3.3 基于现有算法模型对比分析

5.4 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集