Developing a life insurance recommendation system using machine learning methods
Makine öğrenme yöntemleri kullanarak hayat sigortası öneri sistemi geliştirmesi
- Tez No: 786176
- Danışmanlar: DOÇ. DR. TEVFİK AYTEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hayat sigortası, Makine öğrenmesi, Tavsiye sistemleri, Veri bilimi, Veri madenciliği, Life insurance, Machine learning, Recommender systems, Data science, Data mining
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
70 yıl öncesinden günümüze dek gelişimi devam eden algoritmaların yapay zeka alanında ileri teknolojilerle ve büyük veri ile kullanılmasıyla son 10 yıldır kişiselleştirilmiş ürün teklifleri gibi birçok alanda müşteri memnuniyetini ve şirket karlılığını artıran makine öğrenmesi temelli projelerin sayısı her geçen gün artmaktadır. Hayat sigortası ve emeklilik sektöründe mevcutta ürün sahibi olan müşterilerin portföy hareketleri, ödeme davranışları ve demografik özelliklerinin verisi toplanarak ürününe sahip olan müşterilerin geçmiş verisi üzerinden gelecekte bu ürünü alma ihtimali olan müşterilere çapraz satış için tahminleme çalışması yapılmıştır. Bu çalışmada veri ön işleme adımlarından kayıp verilerin uygun şekilde kullanımı, aykırı değerlerin tespiti ve onarımı, kategorik verinin modelde çalışır hale getirilmesi için ön işleme, açıklayıcı veri analizi, değişilenler arasındaki korelasyon incelemesi gibi veri ön işleme ve veriyi tanıma adımları takip edilmiştir. Tahminleme problemi bir sınıflandırma problem olarak ele alınmıştır. Gözetimli öğrenme yöntemlerinden Karar Ağaçları, Lojistik Regresyon, Rastgele Orman Algoritması, Naïve Bayes ve Gradyan Artırma Algoritmaları ile tahminleme problem çözülmüştür. Model performansını optimize etmek için senaryo bazlı deneyler yapılmıştır. Ön işleme, normalizasyon, çapraz doğrulama, boyut küçültme ve hiper-parametre ayarlama işlemlerinin model performansına etkisi gözlenmiştir. Doğruluk, AUC, F-1 skorlarına göre model performansları değerlendirmiştir. Hiper-parametre işlemlerinin model başarısında önemli derecede etkisi olduğu gözlenmiştir.
Özet (Çeviri)
In the last 10 years, the use of advanced technologies and big data handling methods in the field of artificial intelligence has led to an increase in the number of machine learning-based projects in many sectors and domain such as personalized product offerings that enhance customer loyalty and business value. Algorithm based development has been ongoing for 70 years and continues to grow. The use of machine learning techniques in the insurance industry has the potential to greatly improve customer satisfaction and increase company profitability. In this study, by collecting and analyzing data on the portfolio movements, payment behavior, and demographic characteristics of existing product owners, predictive models were conducted to identify potential customers for cross-selling. This study followed data preprocessing steps, including handling missing data, detecting, and repairing outliers, and preprocessing categorical data for use in the model. The prediction problem was treated as a classification problem, and explanatory data analysis and correlation analysis were performed to gain a deeper understanding of the data. The results of this study could be used to inform future efforts to personalize product offerings and increase sales in the insurance industry. The prediction problem was addressed using supervised learning methods, including Decision trees, Logistic regression, Random forest algorithms, Naive Bayes and Gradient boosting algorithms. The performance of the models was optimized through scenario-based experiments, and the effects of various data preprocessing steps, such as normalization and dimensionality reduction, on model performance were observed. The performance of the models was evaluated using a range of metrics, including accuracy, AUC, and F-1 scores. The results of this study suggest that hyperparameter tuning can play a significant role in improving the performance of machine learning models in this context. Overall, the use of machine learning techniques has the potential to greatly enhance the accuracy of predictions and improve decision-making in the insurance industry.
Benzer Tezler
- Digitalization in construction claim management
İnşaat hak talebi yönetiminde dijitalleşme
NİL DENİZMEN
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. DENİZ ARTAN
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Düz atkı örme kumaşlarda ilmek eğikliğinin iplik özellikleri ile ilişkisi üzerine bir araştırma
Başlık çevirisi yok
FATMA ÇEKEN
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Çukurova bölgesinde biyoklimatik veriler kullanılarak açık ve yeşil alan sistemlerinin belirlenmesi ilkeleri üzerinde bir araştırma
A research on the determination of the principles in open and green spaces systems by using the bioclimatic data in Çukurova region
MEHMET FARUK ALTUNKASA
Doktora
Türkçe
1987
Çevre MühendisliğiÇukurova ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ERDOĞAN GÜLTEKİN
- Ülkemizdeki çeşitli büyüklükteki yerleşim merkezlerinde uygulanabilecek kültür yapısı planlama modeli
The Planning model of the cultural building which applicable at different size of settlement center
MUSTAFA İNCESAKAL
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. UMUR ERKMEN