python 健康保险交叉销售预测

健康保险交叉销售 EDA 和机器学习建模 这是一本关于健康保险客户交叉销售车辆保险产品并使用机器学习预测客户是否对车辆保险感兴趣的探索性数据分析笔记本 背景资料： 向客户提供健康保险的保险公司，通常他们通过不同类型的营销渠道向客户提供其他保险产品。在这种情况下，我们将建立一个模型来预测过去一年的保单持有人（客户）是否也会对公司提供的车辆保险感兴趣。 问题陈述： 未优化客户联系流程，许多保险工作者花费大量时间与潜在客户会面，却不知道该客户购买保险产品的可能性 业务目标： 建立一个模型来预测客户是否会对车辆保险感兴趣，这对公司非常有帮助，因为它可以相应地规划其沟通策略以接触这些客户并优化其业务模型和收入 业务问题： 车龄如何决定车险广告反应 如何吸引不同世代的顾客 使健康保险客户对车辆保险不感兴趣的主要因素是什么 这个交叉销售案例的最佳机器学习建模是什么 工作流程： 数据清洗 重新分类数据 分级 探索性数据分析以回答业务问题 机器学习过程的特征工程和选择 编码所有分类特征 检查因变量和独立变量之间的相关性 特征选择 建筑模型 ： 将数据拆分为训练和测试 由于数据不平衡，将SMOT

全世界范围内，精神障碍患者的数量正在增加，并且他们的身体并发症患病率很高。 为了分析和比较精神障碍的费用与诸如精神障碍和身体障碍之类的总医疗费用，我们分析了精神障碍患者的费用。 我们使用2013年3月至2014年2月在日本A市的人们的健康保险声明调查了医疗费用的分布和疾病的特征。受试者患有以下4种精神障碍中的一种或多种：精神分裂症，酒精相关疾病，双相情感障碍失调和抑郁发作。 结果，每年符合入选标准的患者总数为7403（6522门诊病人和881住院病人）。 结果表明，精神障碍患者的住院率随着年龄的增长而增加，许多住院病人长期住院。 此外，还发现许多精神障碍患者处于复杂状态，患有一种以上的精神或身体疾病，并为这些合并症带来了医疗费用。 总之，该分析表明，随着年龄的增长，许多精神障碍患者从门诊转为住院治疗。 此外，他们为并发症管理花费了很多医疗费用。 为了改善他们的生活质量，有必要对他们的心理/身体健康，自我管理教育，服务协调以及对治疗决策的支持进行全面评估。

人工智能-基于BP神经网络的健康保险欺诈识别研究.pdf

交叉销售汽车保险 该项目使用机器学习来预测当前的健康保险客户是否会购买汽车保险。 基础数据是从Kaggle获得的，其中包含有关先前销售的信息。 在测试各种分类器（包括逻辑回归，支持向量分类器，KNN分类器和随机森林分类器）之前，使用SMOTENC对数据进行了转换和上采样。 在使用默认的超参数对分类器进行测试之后，进行了网格搜索以识别最佳的超参数组合。

健康保险 预测健康保险将涵盖的医疗费用（收费）的项目 链接到数据集（ ） 目的 建立机器学习模型以预测由保险公司支付的费用（作为费用），作为健康保险的保障范围。 评估指标：RSq 该解决方案包含七个线性模型。 发现吸烟者的受益人为保险公司支付了大量医疗费用。 对于吸烟者，BMI与收费量（正）密切相关。 随着BMI的增加，医疗费用也随之增加。 多项式特征和特征相互作用 仅使用原始功能不足以预测收费金额。 结果，年龄和吸烟者=“ Y”以及BMI和吸烟者=“ Y”之间的相互作用。 作为基准，RSq。 对所有七个模型而言，大约是测试集的75％。 功能交互改善了RSq。 （模型解释的方差量）在79-80％之间。作为一种最终技术，添加了年龄和BMI或受益人的二阶多项式作为特征。 这使RSq稍微增加了约0.03％。 其他改善技术 由于数据集很小，因此可以使用诸如决策树和随机森林之类的非线性模型 如果

基于大数据的医疗健康保险业务业务推进思路

健康保险行业AI综合解决方案与思路探讨

中国发展研究基金会-中国商业健康保险研究.pdf

健康保险交叉销售预测