保险业飞速发展的今天,保险欺诈已经成为阻碍保险业发展的重要因素之一。重疾险作为目前市面上主推的保险产品之一,一直是保险欺诈的重灾区。传统的保险欺诈检测方法具有人力成本高、更新速度慢的缺点,并不适用于业务高速发展的今天。运用机器学习方法辅助重疾险欺诈检测可以在一定程度上缓解上述问题。本文以国内某寿险公司理赔数据为基础,在此基础上使用多种数据处理方法对数据进行处理,最终使用随机森林算法进行预测建模。通过对理赔案件的思考与梳理,本文首先梳理了可能与重疾险理赔欺诈相关的五个主要方面,包括赔案、保单、客户、营销员、地区等。以这五方面为基础,进一步抓取了该寿险公司数据库中与之相关的全部数据字段,并通过使用卡方检验和方差分析的方法筛选出了40余种特征。对这40余种特征进行了数据预处理之后,本文使用随机森林建立了预测模型。通过对数据的探索,本文发现,由于不同地区的欺诈甄别能力有限,其历史数据中的噪声含量会有所不同。为了识别其噪声含量,本文使用了线性回归对地区的欺诈比例进行拟合,拟合结果即为该地区的期望欺诈比例。如果该地区欺诈比例低于期望欺诈比例过多,则视为噪声大。最终通过剔除噪声大的地区数据达到优化训练数据集的目的。研究表明,经过优化后的模型在判断能力上较优化前的模型提高ROC曲线下面积约2个百分点。但优化后的模型会在一定程度上降低适用范围。除此以外,本文还比较了不同处理手段与不同算法之间的效果差异,并根据随机森林得到的特征重要性总结了在实际业务中可能会用到的相关业务建议。