Basit öğe kaydını göster

dc.contributor.advisorYıldırak, Kasırga
dc.contributor.authorKilisli, Seda
dc.date.accessioned2019-10-21T12:45:25Z
dc.date.issued19-09-19
dc.date.submitted19-09-11
dc.identifier.urihttp://hdl.handle.net/11655/9459
dc.description.abstractThe aim of this study is to estimate whether new insured who will join insurance company have claim by using machine learning methods. The increase in the number of vehicles in traffic each year brings with it an increase in the risk of accidents. Increasing number of accidents increases the costs of insurance companies and this increase is also reflected in the insurance premiums. However, due to price competition in insurance companies, sales below the optimal premium cause companies to fall behind their profitability targets. In order for insurance companies to maintain their profitability, it is very important to include the profitable insured profile in the portfolio. In order to include the profitable insured in the portfolio, models that simulate individual behaviors are needed. Therefore, by using machine learning algorithms used in many sectors recently, the model that makes the best estimate of claimed policies in the portfolio is determined and compared with the logistic regression model commonly used in the insurance sector.tr_TR
dc.description.tableofcontentsÖZET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii ABSTARCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii TEŞEKKÜR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv İÇİNDEK˙ILER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi ŞEKİLLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii ÇİZELGELER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii SİMGELER VE KISALTMALAR . . . . . . . . . . . . . . . . . . . . . . . . . . . ix 1 GİRİŞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 GENEL BİLGİLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.1 Danışmanlı Makine Öğrenmesi Yöntemleri . . . . . . . . . . . . . . . . . . . 6 2.1.1 K En Yakın Komşu (K Nearets Neighbor) Yöntemi . . . . . . . . . . . 6 2.1.2 Karar Ağacı (Decision Trees) Yöntemleri . . . . . . . . . . . . . . . . 7 2.1.2.1 Regresyon Ağaçları . . . . . . . . . . . . . . . . . . . . . . . . 8 2.1.2.2 Sınıflandırma Ağaçları . . . . . . . . . . . . . . . . . . . . . . 10 2.1.3 Topluluk Yöntemleri (Ensemble Methods) . . . . . . . . . . . . . . . . 11 2.1.3.1 Bagging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.1.3.2 Boosting-Ada Boost . . . . . . . . . . . . . . . . . . . . . . . 12 2.1.3.3 Rastgele Orman (Random Forests) . . . . . . . . . . . . . . . . 14 2.1.4 Destek Vektör Makineleri (Support Vektor Machines) Yöntemi . . . . . 15 2.1.5 Naive Bayes Yöntemi . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.1.6 Sinir Ağları (Neural Network) Yöntemi . . . . . . . . . . . . . . . . . 20 2.2 Lojistik Regresyon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3 UYGULAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.1 Verinin Niteliği . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2 Hasarlı/Hasarsız (0/1) Tahmin Modelleri . . . . . . . . . . . . . . . . . . . . 27 3.2.1 K En Yakın Kom¸su (kNN) Model Seçimi . . . . . . . . . . . . . . . . 27 3.2.2 Karar Ağaçları Model Seçimi . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.3 AdaBoost Model Seçimi . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.4 Rastgele Orman AdaBoost Model Seçimi . . . . . . . . . . . . . . . . 34 3.2.5 Destek Vektör Makineleri Model Seçimi . . . . . . . . . . . . . . . . . 34 3.2.6 Sinir Ağları Model Seçimi . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.6.1 Optimizasyon Yöntemi Seçimi . . . . . . . . . . . . . . . . . . 36 3.2.6.2 Tek Katmanlı Yapıda Nöron Sayısı Seçimi . . . . . . . . . . . 38 3.2.6.3 Çift Katmanlı Yapıda Nöron Sayısı Seçimi . . . . . . . . . . . 43 3.2.7 Lojistik Regresyon Model Seçimi . . . . . . . . . . . . . . . . . . . . 49 3.3 Seçilen Modellerin Karşılaştırılması . . . . . . . . . . . . . . . . . . . . . . . 50 4 SONUÇLAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 EKLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 KAYNAKÇA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57tr_TR
dc.language.isoturtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectMakine öğrenmesitr_TR
dc.subjectKasko sigortasıtr_TR
dc.subjectHasarlı/hasarsız tahmin modelitr_TR
dc.subjectNaive bayestr_TR
dc.subjectSinir ağıtr_TR
dc.subjectKarar ağacıtr_TR
dc.subjectRastgele ormanlartr_TR
dc.subjectTopluluk modelleritr_TR
dc.subjectLojistik regresyontr_TR
dc.subjectKNNtr_TR
dc.titleKasko Sigortasında Makine Öğrenmesi Yöntemleri ile Hasarlı/Hasarsız Durum Tahminitr_TR
dc.title.alternativeEstimation Of Claim/No-Claim Automobile Insurnace With Machine Learning Methodstr_eng
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetBu çalışmanın amacı sigorta şirketine yeni katılacak sigortalıların hasar getirip getirmeme durumunu makine öğrenmesi yöntemleri ile tahmin etmektir. Trafikte ki araç sayısının her geçen yıl artması olası kaza riskinin artmasını da beraberinde getirmektedir. Artan kaza sayıları sigorta şirketlerinin maliyetlerini arttırmakta dolaysıyla bu artış kasko primlerine de yansımaktadır. Ancak sigorta şirketlerindeki fiyat rekabetinden dolayı optimal primin altında yapılan satışlar şirketlerin karlılık hedeflerinin gerisinde kalmalarına sebep olmaktadır. Sigorta şirketlerinin karlı olarak büyüyebilmeleri için hasarsız müşteri profilinin portföye katılması çok önemlidir. Karlı müşterilerin portföye katılması için bireysel davranışları yakalayacak modellere ihtiyaç duyulmaktadır. Bu nedenle son zamanlarda birçok sektörde kullanılan makine öğrenmesi algoritmalarından faydalanarak en iyi hasarlı/hasarsız sınıf tahmini yapan model belirlenecek ve sigorta sektöründe yaygın olarak kullanılan lojistik regresyon modeli ile karşılaştırılacaktır.tr_TR
dc.contributor.departmentAktüerya Bilimleritr_TR
dc.embargo.termsAcik erisimtr_TR
dc.embargo.lift-


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster