Healthcare Fraud Detection using Random Forest & Python

نوع العمل: نموذج تعلم آلي للكشف عن الاحتيال في المطالبات الطبية (Classification Model)

الميزات:

دقة كشف الاحتيال وصلت لـ 98% مع AUC = 0.99

الموديل بيحدد أهم العوامل المؤدية للاحتيال من خلال Feature Importance

شامل Confusion Matrix و ROC Curve لتقييم الأداء بشكل احترافي

طريقة التنفيذ:

تم تحميل وتنظيف بيانات تحتوي على 10,000 مطالبة طبية، ومعالجة القيم المفقودة، وتحويل المتغيرات النصية باستخدام Label Encoding. بعدها تم تدريب نموذج Random Forest على 8,000 سجل واختباره على 2,000 سجل، مع قياس الأداء بـ Precision 0.94 و Recall 0.77 و F1-Score 0.85 و ROC AUC 0.99.

الأدوات المستخدمة: Python, Pandas, Scikit-learn, Matplotlib, Seaborn