[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-290345-105":3,"detail-sidebar-cat-0-en-105":81,"doc-detail-290345-en":131},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},105,"lt","insurance-claims-fraud-detection-using-machine-learning-methods","Draudimo žalư sukčiavimo atvejư nustatymas, naudojant mašininio mokymosi metodus","","Tyrime siekiama identifikuoti dažniausiai taikomus mašininio mokymosi metodus draudimo ža­lų sukčiavimo atvejams aptikti ir pritaikyti juos realiems duomenims. Darbas apima literatūros analizę, duomenų paruošimą ir natūralios kalbos apdorojimą, po to atliekami klasterizavimo bei klasifikavimo eksperimenti su dimensijos mažinimu ir vizualizavimu. Naudojami 2023 m. Lietuvos transporto priemonių įvykiams susieti fizinių asmenų draudimo žalos duomenys.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/document/research-report/","Research & Report",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/document/insurance-claims-fraud-detection-using-machine-learning-methods/290345/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/insurance-claims-fraud-detection-using-machine-learning-methods/290345.png","ImageObject",300,407,{"name":42,"@type":43},"Aurora","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-10-23","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",13,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Koks tyrimo tikslas draudimo ža­lų sukčiavimo atvejų aptikimui?","Question",{"text":63,"@type":64},"Tyrimas skirtas identifikuoti dažniausiai taikomus mašininio mokymosi metodus ir pritaikyti juos draudimo ža­lų sukčiavimo atvejų aptikimui turimiems duomenims.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Kokie duomenys naudojami šiame darbe?",{"text":68,"@type":64},"Naudojami draudimo įmonės duomenys apie 2023 metais užregistruotus fizinių asmenų draudimo ža­lų atvejus, susijusius su transporto priemonių įvykiais Lietuvoje.",{"name":70,"@type":61,"acceptedAnswer":71},"Kodėl darbe taikomi duomenų balansavimo metodai?",{"text":72,"@type":64},"Taikomi balansavimo metodai dėl nesubalansuotų klasių problemos, kad klasifikatorių mokymas būtų tikslesnis ir stabilesnis.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},290345,1789641432,{"code":4,"msg":82,"data":83},"success",[84,88,92,96,101,106,111,115,120,123,127],{"id":22,"doc_module":4,"doc_module_name":25,"category_name":85,"show_sort_weight":86,"slug":87},"Story & Novel",90,"story-novel",{"id":26,"doc_module":4,"doc_module_name":25,"category_name":89,"show_sort_weight":90,"slug":91},"Literature",80,"literature",{"id":33,"doc_module":4,"doc_module_name":25,"category_name":93,"show_sort_weight":94,"slug":95},"Exam",70,"exam",{"id":97,"doc_module":4,"doc_module_name":25,"category_name":98,"show_sort_weight":99,"slug":100},5,"Comic",60,"comic",{"id":102,"doc_module":4,"doc_module_name":25,"category_name":103,"show_sort_weight":104,"slug":105},6,"Technology",50,"technology",{"id":107,"doc_module":4,"doc_module_name":25,"category_name":108,"show_sort_weight":109,"slug":110},7,"Healthcare",40,"healthcare",{"id":112,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":113,"slug":114},8,30,"research-report",{"id":116,"doc_module":4,"doc_module_name":25,"category_name":117,"show_sort_weight":118,"slug":119},9,"Religion & Spirituality",20,"religion-spirituality",{"id":118,"doc_module":4,"doc_module_name":25,"category_name":121,"show_sort_weight":118,"slug":122},"World Cup","world-cup",{"id":124,"doc_module":4,"doc_module_name":25,"category_name":125,"show_sort_weight":124,"slug":126},10,"Lifestyle","lifestyle",{"id":128,"doc_module":4,"doc_module_name":25,"category_name":129,"show_sort_weight":97,"slug":130},19,"General","general",{"code":4,"msg":82,"data":132},{"doc_id":79,"user_id":133,"nickname":42,"user_avatar":134,"doc_module":4,"category_id":112,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":135,"file_id":136,"file_url":137,"file_type":138,"file_size":139,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":140,"language":141,"language_code":8,"site_id":7,"html_lang":142,"table_of_contents":143,"faqs":144,"seo_title":145,"seo_description":12,"update_tm":80,"read_time":146,"preview_page_count":4},4810365810221,"https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d","VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS DUOMENU˛ MOKSLO BAKALAURO STUDIJU˛ PROGRAMA  \nDraudimo žalu˛ sukčiavimo atveju˛ nustatymas, naudojant mašininio mokymosi metodus  \nInsurance claims fraud detection using machine learning methods  \nBaigiamasis bakalauro darbas  \nAutorius: Ineta Lankelyte˙  \nVU el. p.: [ineta.lankelyte@mif.stud.vu.lt](ineta.lankelyte@mif.stud.vu.lt)  \nDarbo vadovas: Doc. , Dr. Viktor Medvedev  \nVilnius  \nTurinys  \n1 I˛VADAS 4  \n1.1 Problemos aktualumas ir motyvacija ........................ 4  \n2 LITERAT¯UROS ANALIZE˙ 5  \n3 METODOLOGIJA 8  \n3.1 K-vidurkiu˛ klasterizavimas .............................. 8  \n3.2 Duomenu˛ klasiu˛ balansavimo metodai ........................ 8  \n3.3 Klasifikavimo tikslumo vertinimo metrikos ..................... 9  \n3.4 Atsitiktiniu˛ mišku˛ klasifikatorius ........................... 10  \n3.5 Ekstremalus gradientinis stiprinimas ........................ 11  \n4 DUOMENYS 12  \n4.1 Duomenu˛ paruošimas ................................. 12  \n4.1.1 Skaitiniai kintamieji ............................. 12  \n4.1.2 Kategoriniai kintamieji ............................ 14  \n4.1.3 Bylos aprašymas ............................... 14  \n5 METODU˛ TAIKYMAS 18  \n5.1 K-vidurkiu˛ klasterizavimas .............................. 18  \n5.1.1 Dimensijos mažinimas t-SNE metodu .................... 19  \n5.1.2 Dimensijos mažinimas UMAP metodu ................... 20  \n5.2 RF ir XGBoost klasifikavimas ............................ 22  \n5.2.1 Atsitiktiniu˛ mišku˛ klasifikatorius ...................... 23  \n5.2.2 RF klasifikavimo apibendrinimas ...................... 27  \n5.2.3 Ekstremalus gradientinis stiprinimas .................... 29  \n5.2.4 XGBoost klasifikavimo apibendrinimas ................... 32  \n6 IŠVADOS IR APIBENDRINIMAS 34  \nA Priedai 37  \nA.1 Klasteriu˛ vizualizavimas ............................... 37  \nA.2 Klasifikavimo matricos ................................ 38  \nA.3 Rezultatu˛ vizualizavimas sumažinus dimensiją ................... 43  \nA.4 Programinis kodas .................................. 45  \nA.4.1 Duomenu˛ paruošimas ............................. 45  \nA.4.2 k-vidurkiu˛ klasterizavimas .......................... 54  \nA.4.3 Klasifikatoriu˛ apmokymas .......................... 58  \nDraudimo žalu˛ sukčiavimo atveju˛ nustatymas, naudojant mašininio mokymosi metodus  \nSantrauka  \nŠio tyrimo tikslas – identifikuoti dažniausiai taikomus mašininio mokymosi metodus draudimo žalu˛ sukčiavimo atveju˛ aptikimui ir juos pritaikyti turimiems duomenims. Pagrindiniai uždaviniai: atlikti literat¯uros analizę, paruošti duomenu˛ rinkini˛ metodu˛ taikymui, pritaikyti parinktus metodus, i˛vertinti klasifikatoriu˛ efektyvumą ir vizualizuoti rezultatus.  \nTyrime naudoti draudimo i˛mone˙s duomenys apie 2023 metais užregistruotas fiziniu˛ asmenu˛ draudimo žalas, susijusias su transporto priemoniu˛ i˛vykiais Lietuvoje. Atliktas duomenu˛ valymas, kintamu˛ju˛ standartizavimas, užkodavimas, taip pat apdorotas tekstinis i˛vykio aprašymas. Išbandytas k-vidurkiu˛ klasterizavimas, kuris parode˙ , jog duomenys vizualiai susiskirsto i˛ kelis klasterius, tačiau sukčiavimoatvejai ne˙ra aiškiai atskiriami. Tuomet pritaikyti atsitiktinio miško (angl. Random forest, RF) ir ekstremalaus gradientinio stiprinimo (angl. Extreme Gradient Boosting, XGBoost) klasifikatoriai. De˙l nesubalansuotu˛ klasiu˛ problemos buvo taikomi duomenu˛ balansavimo metodai.  \nRaktiniai žodžiai: draudimo žalos, sukčiavimo atvejai, nat¯uralios kalbos apdorojimas, mašininismokymasis, klasterizavimas, klasifikavimas, nesubalansuotu˛ klasiu˛ problema, dimensijos mažinimas.  \nInsurance claims fraud detection using machine learning methods  \nAbstract  \nThe main aim of this study is to identify the most commonly used machine learning methods for detecting insurance claims fraud and apply them to the given data. Main objectives: conduct a literature analysis, prepare a dataset for the application of machine learning methods, implement cho","cbCaipi8d9CTDJry","https://ap.wps.com/l/cbCaipi8d9CTDJry","pdf",8181623,62,"Lithuanian","en","# Įvadas\n## Problemos aktualumas ir motyvacija\n# Literatūros analizė\n# Metodologija\n## K-vidurkių klasterizavimas\n## Duomenų klasių balansavimo metodai\n## Klasifikavimo tikslumo vertinimo metrikos\n## Atsitiktinių miškų klasifikatorius\n## Ekstremalus gradientinis stiprinimas\n# Duomenys\n## Duomenų paruošimas\n### Skaitiniai kintamieji\n### Kategoriniai kintamieji\n### Bylos aprašymas\n# Metodų taikymas\n## K-vidurkių klasterizavimas\n## RF ir XGBoost klasifikavimas\n# Išvados ir apibendrinimas\n# Priedai","[{\"question\":\"Koks tyrimo tikslas draudimo ža­lų sukčiavimo atvejų aptikimui?\",\"answer\":\"Tyrimas skirtas identifikuoti dažniausiai taikomus mašininio mokymosi metodus ir pritaikyti juos draudimo ža­lų sukčiavimo atvejų aptikimui turimiems duomenims.\"},{\"question\":\"Kokie duomenys naudojami šiame darbe?\",\"answer\":\"Naudojami draudimo įmonės duomenys apie 2023 metais užregistruotus fizinių asmenų draudimo ža­lų atvejus, susijusius su transporto priemonių įvykiais Lietuvoje.\"},{\"question\":\"Kodėl darbe taikomi duomenų balansavimo metodai?\",\"answer\":\"Taikomi balansavimo metodai dėl nesubalansuotų klasių problemos, kad klasifikatorių mokymas būtų tikslesnis ir stabilesnis.\"}]","Draudimo žalư sukčiavimo atvejư nustatymas, naudojant mašininio mokymosi metodus | PDF",156]