عنوان پایان نامه: استفاده از روشهاي داده کاوي براي پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيلفرمت فایل: wordتعداد صفحات: 40شرح مختصر: امروزه نقش مشتريان از حالت پيروي از توليد کننده ،به هدايت سرمايه گذاران ، توليد کنند گان و حتي پژوهش گران و نوآوران مبدل گشته است ،به همين دليل سازمان ها نياز دارند مشتريان خود را بشناسند و براي آنان برنامه ريزي کنند .تاکنون از برخي روش هاي آماري و يادگيري ماشيني براي اين منظور استفاده شده است که البته اين روش ها به تنهايي داراي محدوديت هايي هستند که در اين پژوهش سعي شده است تا با بهره گيري از روش هاي مختلف داده کاوي تا حد ممکن اين محدوديت ها از بين برده و بر طبق آن ،چارچوبي براي شناسايي مشتريان بيمه بدنه اتومبيل ارايه شود . در واقع هدف اين است تا مشترياني را که بيشتر به يکديگر شبيه هستند دسته بندي و با استفاده از اين دسته ها و ويژگي هاي آن ،ميزان خطر پذيري هر دسته را پيش بيني کرد . حال با استفاده از اين معيار (ميزان خطر پذيري هر دسته) و نوع بيمه نامه مشتري مي توان ميزان خسارت او را پيش بيني کرد که اين معيار مي تواند کمک شاياني براي شناسايي مشتريان و سياست گذاري هاي تعرفه بيمه نامه باشد . براي اين منظور، از روش داده کاوي ،درخت تصميم براي ايجاد مدل پيش بيني خطر پذيري مشتريان در صنعت بيمه استفاده شده است .فن درخت تصميم براي اين منظور نتايج بهتري را به دست اورده است.فهرست مطالبچکيده11-1- مقدمه. 21-2- تاريخچه داده كاوي.. 21-3- روشهاي پيشين و فعاليت هاي مرتبط با پژوهش... 41-4- مديريت ذخيره سازي و دستيابي اطلاعات.. 51-5- ساختار بانک اطلاعاتي سازمان :71-6- داده کاوي :((Data Mining. 71-6-1- داده كاوي چيست؟. 71-6-2- مفاهيم پايه در داده کاوي.. 81-6-3- تعريف داده کاوي.. 81-6-4- برخي از اين تعاريف عبارتند از :81-6-4-1- مراحل فرايند کشف دانش از پايگاه داده ها91-7- تفسير نتيجه. 91-8- انبارش داده ها91-9- انتخاب داده ها101-10- تبديل داده ها101-11- عمليات هاي داده کاوي.. 101-11-1- مدل سازي پيشگويي کننده111-11-2- تقطيع پايگاه داده ها121-11-3- تحليل پيوند. 121-11-4- تشخيص انحراف.. 121-12- الگوريتم هاي داده کاوي.. 131-12-1- دسته بندي.. 141-12-2-رگرسيون. 151-12-3- سريهاي زماني.. 161-12-4- پيش بيني.. 161-12-5- تکنيک هاي روش توصيفي.. 161-12-6- قوانين انجمني.. 161-12-7- خلاصه سازي (تلخيص)171-12-8- مدلسازي وابستگي (تحليل لينک)171-12-9- خوشه بندي.. 181-12-9-1- معيارهاي ارزيابي الگوريتمهاي خوشه بندي.. 181-12-9-2- طبقه بندي روشهاي خوشه بندي.. 191-12-10- الگوريتم Apriori191-12-11- الگوريتم K-Means201-12-11- 1-گام هاي الگوريتم k-means201-12-11-2- ويژگيهاي الگوريتم k-means201-12-11-3- رفع اشکالات الگوريتم k-means:211-12-12- شبکه هاي عصبي.. 211-12-13- درخت تصميم. 221-13- روش پيشنهادي.. 231-14- جامع آماري و نمونه آماري.. 231-15- مراحل پژوهش... 231-16-پيش پردازشداده ها251-17- معرفي مشخصه ها261-18- مشخصه هدف.. 271-19- انتخاب مشخصه. 271-20- نرم افزارهاي داده کاوي.. 271-21- پياده سازي مدل هاي داده کاوي.. 301-21-1- درخت تصميم. 301-21-2- تحليل درخت تصميم. 30منابع 34شکل 1-1- دسته بندي پژوهش ها در زمينه ي داده کاوي.. 4شکل 1-2- نمودار پردازش اطلاعات.. 6شکل1-3- مديريت داده ها6شکل 1-4- ساختار بانک اطلاعاتي.. 7شكل 1-5- تجزيه و تحليل KDD. 8شکل 1-6- يک شبکه عصبي با يک لايه پنهان. 22شکل 1-7- مراحل پژوهش... 25شکل 1-8- درخت تصميم. 31شکل 1-9- درخت تصميم. 32شکل 1-10- درخت تصميم 33
استفاده از روشهاي داده کاوي براي پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيل
عنوان پایان نامه: استفاده از روشهاي داده کاوي براي پيش بيني سطح خسارت مشتريان بيمه بدنه اتومبيلفرمت فایل: wordتعداد صفحات: 40شرح مختصر: امروزه نقش مشتريان از حالت پيروي از توليد کننده ،به هدايت سرمايه گذاران ، توليد کنند گان و حتي پژوهش گران و نوآوران مبدل گشته است ،به همين دليل سازمان ها نياز دارند مشتريان خود را بشناسند و براي آنان برنامه ريزي کنند .تاکنون از برخي روش هاي آماري و يادگيري ماشيني براي اين منظور استفاده شده است که البته اين روش ها به تنهايي داراي محدوديت هايي هستند که در اين پژوهش سعي شده است تا با بهره گيري از روش هاي مختلف داده کاوي تا حد ممکن اين محدوديت ها از بين برده و بر طبق آن ،چارچوبي براي شناسايي مشتريان بيمه بدنه اتومبيل ارايه شود . در واقع هدف اين است تا مشترياني را که بيشتر به يکديگر شبيه هستند دسته بندي و با استفاده از اين دسته ها و ويژگي هاي آن ،ميزان خطر پذيري هر دسته را پيش بيني کرد . حال با استفاده از اين معيار (ميزان خطر پذيري هر دسته) و نوع بيمه نامه مشتري مي توان ميزان خسارت او را پيش بيني کرد که اين معيار مي تواند کمک شاياني براي شناسايي مشتريان و سياست گذاري هاي تعرفه بيمه نامه باشد . براي اين منظور، از روش داده کاوي ،درخت تصميم براي ايجاد مدل پيش بيني خطر پذيري مشتريان در صنعت بيمه استفاده شده است .فن درخت تصميم براي اين منظور نتايج بهتري را به دست اورده است.فهرست مطالبچکيده11-1- مقدمه. 21-2- تاريخچه داده كاوي.. 21-3- روشهاي پيشين و فعاليت هاي مرتبط با پژوهش... 41-4- مديريت ذخيره سازي و دستيابي اطلاعات.. 51-5- ساختار بانک اطلاعاتي سازمان :71-6- داده کاوي :((Data Mining. 71-6-1- داده كاوي چيست؟. 71-6-2- مفاهيم پايه در داده کاوي.. 81-6-3- تعريف داده کاوي.. 81-6-4- برخي از اين تعاريف عبارتند از :81-6-4-1- مراحل فرايند کشف دانش از پايگاه داده ها91-7- تفسير نتيجه. 91-8- انبارش داده ها91-9- انتخاب داده ها101-10- تبديل داده ها101-11- عمليات هاي داده کاوي.. 101-11-1- مدل سازي پيشگويي کننده111-11-2- تقطيع پايگاه داده ها121-11-3- تحليل پيوند. 121-11-4- تشخيص انحراف.. 121-12- الگوريتم هاي داده کاوي.. 131-12-1- دسته بندي.. 141-12-2-رگرسيون. 151-12-3- سريهاي زماني.. 161-12-4- پيش بيني.. 161-12-5- تکنيک هاي روش توصيفي.. 161-12-6- قوانين انجمني.. 161-12-7- خلاصه سازي (تلخيص)171-12-8- مدلسازي وابستگي (تحليل لينک)171-12-9- خوشه بندي.. 181-12-9-1- معيارهاي ارزيابي الگوريتمهاي خوشه بندي.. 181-12-9-2- طبقه بندي روشهاي خوشه بندي.. 191-12-10- الگوريتم Apriori191-12-11- الگوريتم K-Means201-12-11- 1-گام هاي الگوريتم k-means201-12-11-2- ويژگيهاي الگوريتم k-means201-12-11-3- رفع اشکالات الگوريتم k-means:211-12-12- شبکه هاي عصبي.. 211-12-13- درخت تصميم. 221-13- روش پيشنهادي.. 231-14- جامع آماري و نمونه آماري.. 231-15- مراحل پژوهش... 231-16-پيش پردازشداده ها251-17- معرفي مشخصه ها261-18- مشخصه هدف.. 271-19- انتخاب مشخصه. 271-20- نرم افزارهاي داده کاوي.. 271-21- پياده سازي مدل هاي داده کاوي.. 301-21-1- درخت تصميم. 301-21-2- تحليل درخت تصميم. 30منابع 34شکل 1-1- دسته بندي پژوهش ها در زمينه ي داده کاوي.. 4شکل 1-2- نمودار پردازش اطلاعات.. 6شکل1-3- مديريت داده ها6شکل 1-4- ساختار بانک اطلاعاتي.. 7شكل 1-5- تجزيه و تحليل KDD. 8شکل 1-6- يک شبکه عصبي با يک لايه پنهان. 22شکل 1-7- مراحل پژوهش... 25شکل 1-8- درخت تصميم. 31شکل 1-9- درخت تصميم. 32شکل 1-10- درخت تصميم 33