shivam224145-creator/Healthcare-Fraud-Detection-EDA---ML

# Healthcare-Fraud-Detection-EDA-->ML 医疗保健欺诈检测项目，使用机器学习处理保险索赔数据。包含探索性数据分析（EDA）、数据预处理、特征工程和分类模型，用于识别欺诈性索赔。处理数据不平衡问题，并分析关键欺诈指标，如索赔金额、提供者行为和提交模式。 # 🏥 医疗保健欺诈检测 ## 📌 项目概述 本项目专注于使用机器学习技术检测医疗保健保险欺诈。欺诈检测对于减少财务损失和提升系统效率至关重要。 ## 📊 数据集 - 10,000 条医疗保健保险索赔 - 包含患者、提供者、财务和时间特征 - 目标变量：`Is_Fraud`（0 = 合法，1 = 欺诈） - 数据集不平衡（~8% 为欺诈案例） ## ⚙️ 使用的特征 - 索赔金额与批准金额 - 保险类型 - 提供者专长 - 患者人口统计信息 - 索赔提交详情 - 就诊类型与住院时长 ## 🔍 探索性数据分析（EDA） - 欺诈与非欺诈分布 - 索赔金额模式 - 按提供者分析 - 缺失值分析 ## 🛠️ 数据预处理 - 处理缺失值 - 编码分类变量 - 特征变换 ## 🤖 机器学习模型 - 逻辑回归 - 决策树 - 随机森林 - XGBoost ## 📈 评估指标 - 精确率 - 召回率 - F1 分数 - 混淆矩阵 ## 🔑 关键洞察 - 高索赔金额更可能为欺诈 - 快速提交索赔显示可疑行为 - 某些提供者具有更高的欺诈率 ## 🚀 技术栈 - Python - Pandas、NumPy - Scikit-learn - Matplotlib、Seaborn ## 📌 结论 该模型有助于识别潜在的欺诈性索赔，并可为保险公司改进欺诈检测系统、减少财务损失提供支持。

标签：Apex, EDA, F1分数, Matplotlib, NumPy, Python, Scikit-learn, Seaborn, XGBoost, 不平衡数据处理, 保险索赔, 健康保险, 决策树, 分类模型, 医疗保健, 医疗欺诈, 召回率, 后端开发, 提交模式, 提供者行为, 数据清洗, 数据预处理, 无后门, 机器学习, 欺诈检测, 混淆矩阵, 特征工程, 特征转换, 精确率, 索赔金额, 逆向工具, 逻辑回归, 金融风控, 随机森林