dc.contributor.advisor | Yıldırak, Kasırga | |
dc.contributor.author | Kilisli, Seda | |
dc.date.accessioned | 2019-10-21T12:45:25Z | |
dc.date.issued | 19-09-19 | |
dc.date.submitted | 19-09-11 | |
dc.identifier.uri | http://hdl.handle.net/11655/9459 | |
dc.description.abstract | The 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.tableofcontents | ÖZET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 | tr_TR |
dc.language.iso | tur | tr_TR |
dc.publisher | Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Makine öğrenmesi | tr_TR |
dc.subject | Kasko sigortası | tr_TR |
dc.subject | Hasarlı/hasarsız tahmin modeli | tr_TR |
dc.subject | Naive bayes | tr_TR |
dc.subject | Sinir ağı | tr_TR |
dc.subject | Karar ağacı | tr_TR |
dc.subject | Rastgele ormanlar | tr_TR |
dc.subject | Topluluk modelleri | tr_TR |
dc.subject | Lojistik regresyon | tr_TR |
dc.subject | KNN | tr_TR |
dc.title | Kasko Sigortasında Makine Öğrenmesi Yöntemleri ile Hasarlı/Hasarsız Durum Tahmini | tr_TR |
dc.title.alternative | Estimation Of Claim/No-Claim Automobile
Insurnace With Machine Learning Methods | tr_eng |
dc.type | info:eu-repo/semantics/masterThesis | tr_TR |
dc.description.ozet | Bu 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.department | Aktüerya Bilimleri | tr_TR |
dc.embargo.terms | Acik erisim | tr_TR |
dc.embargo.lift | - | |