(山東科技大學(xué) 數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院，山東 青島 266590)

汽車保險(xiǎn)是我國(guó)財(cái)產(chǎn)保險(xiǎn)中的第一大險(xiǎn)種。隨著車險(xiǎn)投保數(shù)量以及金額的不斷提高，車險(xiǎn)理賠量也隨之大幅增加，汽車保險(xiǎn)詐騙案件數(shù)目也不斷上升。保險(xiǎn)欺詐的存在，從長(zhǎng)遠(yuǎn)來(lái)看影響著保險(xiǎn)公司的定價(jià)策略和社會(huì)經(jīng)濟(jì)效益，甚至嚴(yán)重威脅到了我國(guó)保險(xiǎn)業(yè)的發(fā)展[1]。

近年來(lái)國(guó)內(nèi)外學(xué)者在保險(xiǎn)欺詐識(shí)別研究上引入了多種人工智能技術(shù)。葉明華[2]以中國(guó)機(jī)動(dòng)車保險(xiǎn)為例，提出利用BP神經(jīng)網(wǎng)絡(luò)與logit回歸相結(jié)合的保險(xiǎn)欺詐檢測(cè)模型，利用logit回歸分析選出顯著性指標(biāo)，最后通過(guò)檢測(cè)結(jié)果分析，與logit回歸相結(jié)合的BP神經(jīng)網(wǎng)絡(luò)模型識(shí)別的準(zhǔn)確率要高于單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)識(shí)別的結(jié)果。湯俊和莫依雯[3]利用支持向量機(jī)和Apriori算法等數(shù)據(jù)挖掘技術(shù)，提出車險(xiǎn)反欺詐的檢測(cè)系統(tǒng)模型，利用Apriori挖掘到的規(guī)則對(duì)支持向量機(jī)判斷出來(lái)的可疑案例進(jìn)行再檢驗(yàn),提高了檢驗(yàn)的準(zhǔn)確性。閆春等[4]提出基于隨機(jī)森林和蟻群算法的汽車保險(xiǎn)欺詐識(shí)別模型，該模型對(duì)汽車保險(xiǎn)索賠數(shù)據(jù)和挖掘欺詐規(guī)則進(jìn)行更有效的分類和預(yù)測(cè)，具有更好的準(zhǔn)確性和魯棒性。ubelj等[5]提出一種既考慮實(shí)體內(nèi)在屬性也考慮實(shí)體之間的關(guān)系的一種迭代評(píng)估算法(iterative evaluation algorithm,IAA)，通過(guò)結(jié)果分析，該系統(tǒng)能夠有效檢測(cè)到汽車保險(xiǎn)欺詐行為。Yaqi等[6]提出一種基于主成分分析的潛在近鄰隨機(jī)森林法，用于汽車保險(xiǎn)欺詐的識(shí)別，最后通過(guò)實(shí)證說(shuō)明提出的方法具有較好的準(zhǔn)確率以及較強(qiáng)的魯棒性[6]。Yan等[7]將最近鄰剪枝規(guī)則的改進(jìn)孤立點(diǎn)檢測(cè)方法應(yīng)用于汽車保險(xiǎn)欺詐，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的汽車保險(xiǎn)欺詐識(shí)別算法具有時(shí)間復(fù)雜度低、識(shí)別率高等優(yōu)點(diǎn)。

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)具有初始權(quán)值隨機(jī)，導(dǎo)致學(xué)習(xí)效率低、收斂速度慢，并且容易形成局部極小值而得不到全局最優(yōu)的缺點(diǎn)。遺傳算法因其良好的尋優(yōu)能力，被許多學(xué)者[8-11]用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，以實(shí)現(xiàn)對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化。以上文獻(xiàn)在試驗(yàn)中都證明了用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)其預(yù)測(cè)效果優(yōu)于單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果?；谏鲜鲅芯?，提出一種改進(jìn)的自適應(yīng)遺傳算法與BP神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的識(shí)別算法，利用該算法進(jìn)行汽車保險(xiǎn)欺詐的識(shí)別。在考慮到BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的預(yù)測(cè)能力，同時(shí)遺傳算法具有很好的尋優(yōu)能力的基礎(chǔ)上，該模型將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)算法有機(jī)結(jié)合。文中將已有的車險(xiǎn)欺詐數(shù)據(jù)指標(biāo)先進(jìn)行分類量化，然后將量化的數(shù)據(jù)進(jìn)行主成分分析，選出車險(xiǎn)欺詐的主成分指標(biāo)，作為BP神經(jīng)網(wǎng)絡(luò)的輸入。文中改進(jìn)的自適應(yīng)遺傳算法考慮了種群適應(yīng)度的多種集中分散程度，并且非線性地自適應(yīng)調(diào)節(jié)遺傳算法的交叉概率與變異概率。為了提高遺傳算法的收斂效率以及尋優(yōu)能力，不僅在最優(yōu)保存策略基礎(chǔ)上加入排序選擇策略，而且提出了保留親本的策略。通過(guò)改進(jìn)的自適應(yīng)遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行優(yōu)化，實(shí)現(xiàn)對(duì)汽車保險(xiǎn)欺詐的識(shí)別分析。

1 改進(jìn)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)規(guī)則是最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

1.2 改進(jìn)的自適應(yīng)遺傳算法

1.2.1 改進(jìn)的自適應(yīng)遺傳算法

傳統(tǒng)遺傳算法(genetic algorithm)是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法，但是在處理一些較為復(fù)雜的優(yōu)化問(wèn)題時(shí)，容易陷入到一些局部的極值點(diǎn)。本研究提出了一種改進(jìn)的自適應(yīng)遺傳算法(new adaptive genetic algorithm，NAGA)，既考慮了種群適應(yīng)度的多種集中分散程度，又非線性地自適應(yīng)調(diào)節(jié)遺傳算法的交叉概率與變異概率；為了提高遺傳算法的收斂效率以及尋優(yōu)能力，不僅在最優(yōu)保存策略基礎(chǔ)上加入排序選擇策略，而且提出了保留親本的策略。

圖1 改進(jìn)的自適應(yīng)遺傳算法的運(yùn)算流程圖Fig.1 Flowchart of the improved adaptive genetic algorithm

改進(jìn)的自適應(yīng)遺傳算法過(guò)程為：

1)編碼初始群體(L)，設(shè)置各個(gè)參數(shù)；

2)設(shè)置適應(yīng)度函數(shù)，計(jì)算各個(gè)體的適應(yīng)度值，保留最大適應(yīng)度個(gè)體；

3)判斷是否滿足收斂條件，如果滿足收斂條件，則輸出結(jié)果，否則進(jìn)入步驟4)；

4)判斷π/12≤arcsin(fave/fmax)<π/3 是否成立，如果成立，先執(zhí)行變異操作，然后進(jìn)行交叉操作(此操作保留父代)；反之先執(zhí)行交叉操作。最后執(zhí)行選擇操作；

5)判斷選擇操作的結(jié)果是否滿足收斂條件，若滿足則輸出結(jié)果，否則回到步驟2)。

求解流程圖如圖1所示。

之所以用π/12≤arcsin(fave/fmax)<π/3來(lái)判斷是否先進(jìn)行交叉，因?yàn)樵诜N群中容易出現(xiàn)除最高適應(yīng)度之外其余適應(yīng)度都集中很小的情況，此時(shí)的fave/fmax<1/2，如果根據(jù)楊從銳[12]IAGA算法思想則將此種情況列為種群處于分散狀態(tài)，將先進(jìn)行交叉操作，但是此種情況下種群集中在較小適應(yīng)度下，種群差異度較小，種群不豐富，如果先進(jìn)行交叉會(huì)使得種群進(jìn)化速度加慢，導(dǎo)致收斂慢或不易收斂，正是考慮到此種情況，本文改變條件公式，使得改進(jìn)算法考慮更加全面。

1.2.2 改進(jìn)選擇算子

傳統(tǒng)的遺傳算法利用輪盤賭的方法來(lái)進(jìn)行個(gè)體的選擇，這種方法雖然優(yōu)良親本的選擇概率較高，但容易造成優(yōu)良親本被選中的情況，即“退化”現(xiàn)象，為避免出現(xiàn)該現(xiàn)象，增加了排序選擇策略和最優(yōu)保存策略，即利用排序選擇策略將個(gè)體按適應(yīng)度從大到小進(jìn)行排序，淘汰掉適應(yīng)度小的排列位于后1/4的個(gè)體，直接保留排列位于適應(yīng)度大的前1/4個(gè)體做為下一代的父本，將中間1/2個(gè)體保留繼續(xù)操作[13]，以有效地把握種群進(jìn)化的方向。

然后，將保留下來(lái)的1/2種群計(jì)算出個(gè)體的選擇概率進(jìn)行輪盤賭選擇：

(1)

(2)

式中，qmax、qmin分別是最初定義的最佳個(gè)體和最差個(gè)體的選擇概率，M是最大迭代次數(shù)。

利用公式(1)、(2)，從保留下來(lái)的1/2個(gè)體中根據(jù)輪盤賭選擇策略選出一半的個(gè)體，將這一半的個(gè)體與第一步中復(fù)制下來(lái)的前1/4個(gè)體組成一個(gè)個(gè)體數(shù)量為L(zhǎng)/2(L為初始種群)的父代種群。為了保持種群數(shù)目恒定，在進(jìn)行選擇概率之前的最后一次操作保留父代；為了防止了中間過(guò)程中產(chǎn)生或者錯(cuò)過(guò)更優(yōu)良的個(gè)體，又采用了最優(yōu)保存策略[13]，即把新產(chǎn)生種群中的最高適應(yīng)度與前一代的最高適應(yīng)度比較，如果高于子代的最高適應(yīng)度，就隨機(jī)淘汰掉子代中的一個(gè)個(gè)體，把前一代中最高適應(yīng)度個(gè)體加入到新一代中產(chǎn)生一個(gè)新的種群，此保存策略保證了前一代的優(yōu)良個(gè)體不會(huì)被交叉變異等遺傳操作破壞。

1.2.3 自適應(yīng)調(diào)節(jié)Pc與Pm的值

傳統(tǒng)的遺傳算法采用固定的交叉概率與變異概率，但是隨著后期優(yōu)良個(gè)體的增加，如果不改變變異概率與交叉概率的大小，將會(huì)破壞掉優(yōu)良的個(gè)體。為了更充分地使交叉概率Pc和變異概率Pm在遺傳操作中發(fā)揮作用，本文在楊從銳[12]的IAGA的基礎(chǔ)上提出交叉概率Pc和變異概率Pm的值的自適應(yīng)公式(3)、(4)。

(3)

(4)

其中，k1、k2分別取1.0、0.05，k3和k4分別取0.02和2。之所以用 arcsin(fave/fmax)作為判斷條件是因?yàn)殡S著fave的變化，arcsin(fave/fmax)的變化會(huì)更快，這樣便能更好地判斷種群適應(yīng)度之間的集中分散程度。用是否大于等于π/6來(lái)判斷是因?yàn)閟in(π/6)=1/2，當(dāng)arcsin(fave/fmax)≥π/6時(shí)，fave/fmax≥1/2，說(shuō)明適應(yīng)度平均值接近適應(yīng)度最大值，即種群適應(yīng)度接近最大適應(yīng)度集中分布。

1.3 NAGA-BP算法

本節(jié)提出的方法是將經(jīng)過(guò)改進(jìn)的遺傳算法用于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，以達(dá)到解決BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值隨機(jī)所帶來(lái)的收斂速度慢、求解精準(zhǔn)度不高等問(wèn)題。

NAGA-BP算法過(guò)程為：

1)數(shù)據(jù)預(yù)處理，確定BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，編碼初始群體(L)，設(shè)置各個(gè)參數(shù)；

2)令測(cè)試樣本誤差作為目標(biāo)函數(shù)，設(shè)置遺傳算法適應(yīng)度函數(shù)；

3)進(jìn)行遺傳操作，計(jì)算各個(gè)體的適應(yīng)度值；

4)判斷是否滿足收斂條件，如果滿足，則進(jìn)入BP神經(jīng)網(wǎng)絡(luò)操作，否則進(jìn)入步驟5)；

5)判斷π/12≤arcsin(fave/fmax)<π/3 是否成立，如果成立，先執(zhí)行變異操作，然后進(jìn)行交叉操作(此操作保留父代)；反之先執(zhí)行交叉操作。最后進(jìn)行選擇操作；

6)將選擇操作的結(jié)果進(jìn)行判斷是否滿足收斂條件，若收斂則輸出結(jié)果，否則回到步驟2)。

具體流程圖如圖2所示。

2 NAGA-BP算法在車險(xiǎn)欺詐識(shí)別中的應(yīng)用

為了驗(yàn)證所提出的算法在車險(xiǎn)欺詐識(shí)別中的有效性，選取某保險(xiǎn)公司車險(xiǎn)歷史索賠的數(shù)據(jù)為例進(jìn)行欺詐識(shí)別分析，數(shù)據(jù)來(lái)源于文獻(xiàn)[4]。

2.1 汽車保險(xiǎn)欺詐測(cè)度相關(guān)指標(biāo)選取

在進(jìn)行車險(xiǎn)欺詐預(yù)測(cè)之前，需要對(duì)數(shù)據(jù)進(jìn)行重要指標(biāo)的選取，將選出的指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)的輸入向量。根據(jù)已知的投保人信息，選取部分信息作為汽車保險(xiǎn)欺詐研究的指標(biāo)。再根據(jù)相關(guān)研究，初步選取15個(gè)對(duì)車險(xiǎn)欺詐存在影響的指標(biāo)因子：車輛渠道來(lái)源、被保險(xiǎn)車輛使用性質(zhì)、被保險(xiǎn)車輛所屬性質(zhì)、駕駛?cè)诵詣e、有無(wú)事故認(rèn)定書、出險(xiǎn)記錄、定損照片張數(shù)、歷史索賠次數(shù)、勘察類型、配件上報(bào)修理個(gè)數(shù)、所標(biāo)修理廠類型額等。各變量類型說(shuō)明如表1所示。

圖2 改進(jìn)自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖Fig.2 Flowchart of the BP neural network optimization by improved adaptive genetic algorithm

表1 數(shù)據(jù)集指標(biāo)描述Tab.1 Data set index description

從表 1 的汽車保險(xiǎn)索賠數(shù)據(jù)變量指標(biāo)描述中，可以看出存在非數(shù)值型的分類變量以及布爾型變量，需要將這些數(shù)據(jù)進(jìn)行分層并進(jìn)行量化處理。分層結(jié)果如表 2 所示。

如果選取所有的指標(biāo)進(jìn)行分析，多個(gè)指標(biāo)之間可能存在相關(guān)性，并會(huì)影響模型的識(shí)別效率，增加數(shù)據(jù)處理的復(fù)雜程度。所以接下來(lái)需要對(duì)這15個(gè)欺詐識(shí)別指標(biāo)進(jìn)行降維處理。

表2 分類變量的分層Tab.2 Stratification of classified variables

主成分分析法是一種多元的統(tǒng)計(jì)方法，能夠?qū)Χ嗑S度的特征矩陣進(jìn)行降維處理，減小數(shù)據(jù)的復(fù)雜程度，并且降維后的數(shù)據(jù)能夠保留原始數(shù)據(jù)的主要信息。表3為將15個(gè)欺詐識(shí)別數(shù)據(jù)進(jìn)行主成分分析的結(jié)果，第一主成分貢獻(xiàn)率為16.637%，第二主成分貢獻(xiàn)率為12.752%，前9個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)80.167%，因此提取前9個(gè)主成分作為模型的輸入變量。

表3 主成分分析結(jié)果Tab.3 Principal component analysis results

圖3 誤差變化圖Fig.3 Error variation diagram

2.2 欺詐識(shí)別結(jié)果

將選出的9個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，即BP神經(jīng)網(wǎng)絡(luò)輸入層具有9個(gè)節(jié)點(diǎn)，根據(jù)公式p=2m+1確定隱含層節(jié)點(diǎn)數(shù)為19。將是否欺詐作為輸出，令保險(xiǎn)欺詐索賠輸出為1，誠(chéng)信索賠輸出為0，因此輸出層節(jié)點(diǎn)數(shù)為1。將79例車險(xiǎn)欺詐樣本分為兩部分，其中70例為訓(xùn)練樣本，剩余9例為檢驗(yàn)樣本；采用訓(xùn)練樣本來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)、GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)、IAGA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，以及本研究的NAGA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)。將檢驗(yàn)樣本輸入訓(xùn)練后的模型，獲得欺詐識(shí)別的預(yù)測(cè)結(jié)果，再將各個(gè)結(jié)果與原始數(shù)據(jù)對(duì)比，以此評(píng)價(jià)各模型對(duì)于車險(xiǎn)欺詐預(yù)測(cè)的良好程度。

從圖3中可以看出，改進(jìn)的NAGA算法無(wú)論是在最優(yōu)解的取值上，還是在收斂速度上，都明顯高于GA和IAGA算法。自適應(yīng)的調(diào)節(jié)遺傳算法的交叉率和變異率，能夠提高遺傳算法的尋優(yōu)能力，而利用排序選擇和最優(yōu)保存策略相結(jié)合的選擇策略，有利于加快遺傳算法的收斂能力，因此NAGA遺傳算法在收斂速度與精準(zhǔn)度等方面都有較大的進(jìn)步。

本文利用平均絕對(duì)百分比誤差(MAPE)與預(yù)測(cè)方差(MSE)來(lái)評(píng)價(jià)實(shí)驗(yàn)的誤差，其中

(5)

(6)

式中：N為測(cè)試樣本個(gè)數(shù)，本文取N=9，yi和xi分別為第i個(gè)樣本的實(shí)際值與測(cè)試值。

圖4 各遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對(duì)比圖Fig.4 Comparative diagram of optimized BP neural networks by genetic algorithm

圖4(a)、4(b)為預(yù)測(cè)樣本輸出的原始值分布(Standard data)和三種遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)(NAGA-BP、IAGA-BP、GA-BP)的樣本輸出值和單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)系測(cè)的樣本輸出值(BP)。圖4(a)中*線代表保險(xiǎn)公司判定的是否欺詐的實(shí)際值，圖4(b)中O線表示NAGA-BP神經(jīng)網(wǎng)絡(luò)給出的預(yù)測(cè)值，當(dāng)預(yù)測(cè)值逼近 1代表預(yù)測(cè)該索賠為欺詐索賠；當(dāng)實(shí)際值逼近 0代表預(yù)測(cè)該索賠為誠(chéng)實(shí)索賠。此時(shí)按照 9個(gè)影響因子訓(xùn)練的 BP神經(jīng)網(wǎng)絡(luò)，從預(yù)測(cè)結(jié)果可以看出欺詐預(yù)測(cè)和誠(chéng)實(shí)索賠預(yù)測(cè)除了樣本1、3、6、8、9逼近真實(shí)值外，樣本2、7的判定處于模棱兩可的狀態(tài)，并且第4個(gè)樣本的判斷結(jié)果與真實(shí)值相反，所以單純的BP神經(jīng)網(wǎng)絡(luò)對(duì)于車險(xiǎn)欺詐的識(shí)別不理想。利用9個(gè)影響因子來(lái)訓(xùn)練改進(jìn)的NAGA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，從預(yù)測(cè)結(jié)果中可以看出，預(yù)測(cè)的9個(gè)樣本都逼近真實(shí)值，所以NAGA-BP模型預(yù)測(cè)出的車險(xiǎn)欺詐情況較為理想。

表4 算法預(yù)測(cè)誤差對(duì)比Tab.4 Comparison of prediction errors

通過(guò)表4的各誤差對(duì)比可以看出，未經(jīng)過(guò)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差方差為0.130 2，經(jīng)過(guò)GA-ZAGA優(yōu)化的網(wǎng)絡(luò)輸出誤差分別為0.049、0.020 9，而經(jīng)過(guò)本文改進(jìn)的遺傳算法NAGA優(yōu)化的網(wǎng)絡(luò)輸出誤差方差0.010 7，預(yù)測(cè)值更加接近原始數(shù)據(jù)，進(jìn)一步說(shuō)明本文算法改善了BP網(wǎng)絡(luò)容易陷入局部極小值和收斂速度慢的問(wèn)題。

3 結(jié)束語(yǔ)

隨著我國(guó)保險(xiǎn)的快速發(fā)展，車險(xiǎn)欺詐現(xiàn)象也逐漸蔓延，急需提出一種有效識(shí)別車險(xiǎn)欺詐的方法來(lái)挖掘潛在的欺詐客戶，根據(jù)客戶的索賠資料判斷其是否欺詐，以便提前采取相應(yīng)措施阻止欺詐產(chǎn)生。

本研究通過(guò)主成分分析，將某保險(xiǎn)公司的欺詐索賠數(shù)據(jù)進(jìn)行指標(biāo)的提煉，將提煉后的指標(biāo)用于模型欺詐預(yù)測(cè)的變量，以此驗(yàn)證NAGA- BP算法的識(shí)別欺詐能力。提出的NAGA算法自適應(yīng)調(diào)節(jié)遺傳算法的交叉概率與變異概率，有效地提高了遺傳算法的尋優(yōu)能力。利用NAGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)算法，考慮到神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，以及遺傳算法具有的搜索和優(yōu)化的特點(diǎn)，將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，以此來(lái)克服神經(jīng)網(wǎng)絡(luò)收斂速度慢和易陷入局部極小值等缺點(diǎn)。在最后的實(shí)證分析中，用改進(jìn)的遺傳算法與IAGA和GA算法比較，NAGA算法在收斂速度與精準(zhǔn)度等方面都有較大的進(jìn)步，然后將這3種遺傳算法分別優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行保險(xiǎn)欺詐數(shù)據(jù)預(yù)測(cè)，結(jié)果表明改進(jìn)的NAGA-BP算法得到的車險(xiǎn)欺詐預(yù)測(cè)數(shù)據(jù)更加接近原始數(shù)據(jù)。