想象你是一家大型连锁超市的防损经理老周。超市每天要处理几万张小票，总有人用各种方法“薅羊毛”：收银员虚报退款、顾客偷换价签、供应商短斤缺两。老周过去靠人盯人，一天看不了几十单；如今总部上了一套“智能防损系统”，能从海量收银数据里自动圈出可疑交易，老周只需按系统排好的优先级去核实。医疗保险欺诈检测，干的就是同一件事——只不过把超市换成了医保基金，把小票换成了理赔单，把“防损经理”换成了“AI 审核助手”。全世界每年有数千亿美元的医保资金被虚假理赔、拆分账单、过度医疗等手法骗走，而 AI 方案正通过模式识别和数据挖掘，帮审核人员从大海捞针变成按图索骥。这篇内容，我们就来拆解这套“医保防损系统”是怎么炼成的。

岗位关联

理解医疗保险欺诈检测的全链路（数据整合→特征画像→异常检测→风险建模→审核闭环），是 AI 从业者切入医疗健康行业解决方案的核心能力，直接决定产品能否在合规与效果之间站稳脚跟。

目录
  1. 可视化演示
  2. 欺诈威胁现状
  3. 数据整合治理
  4. 欺诈特征识别
  5. 异常检测算法
  6. 风险预测建模
  7. 智能审核体系
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示医保欺诈三种类型（虚构/串通/过度）与孤立森林异常检测、供方行为基线偏离检测、以及理赔三级风险分级与Precision-Recall曲线F1最优解。

本节配有交互动效（进入视口后自动加载，约 3KB）。

异常检测模型 孤立森林：异常点在随机划分中路径更短，快速筛查高维理赔数据 三种欺诈类型（虚构就诊/串通编码/过度治疗）在特征空间中表现为离群点 异常度=1-2^(-E(路径长度)) 孤立森林+自编码器互补检测异常理赔

欺诈威胁现状

老周刚到超市上任时，心里有本账：门店每年报损率是 3%，换算成金额就是几百万。他让财务拉了张表，发现损耗集中在三类人身上——内外勾结退款的收银员、专挑周末下手的惯偷、以及虚报赠品数量的供应商。医保这边情况更糟。全球每年因医疗保险欺诈损失的金额高达数千亿美元，仅美国 Medicare 系统一年就能查出几十亿美元的虚假赔付。这些欺诈手法与超市损耗如出一辙：有的医生虚报根本没有做过的检查项目，有的把一次手术拆成五次小手术分别收费，有的给患者安排完全不必要的住院和用药，还有的借用他人医保卡看病开药。传统审核靠的是人工抽检，一张理赔单要在几个工作日里翻病历、对编码、打电话核实，效率低不说，抽样比例通常不到 5%，大量欺诈单从眼皮底下溜走。

AI 方案要做的第一件事，就是把“事后追查、抽样碰运气”变成“事前预警、全量扫描”。在动手设计算法之前，需要先量化问题的严重程度，向决策者说明投入产出比。

老周把这张“损失测算表”贴在办公室墙上，总部立刻批了预算上防损系统。同理，用 AI 检测医保欺诈，第一步也是把账算清楚——没有这个数字，方案就只是一纸空谈。

L=N×pf×CˉL = N \times p_f \times \bar{C}
年欺诈损失 ≈ 理赔总量 × 欺诈率 × 单均赔付金额，这三个数决定了 AI 防损方案的价值空间。
  1. 理赔总量 N统计周期内保险公司收到的全部理赔申请份数，是计算损失的基数。
    NN
  2. 欺诈比例 pf经稽查确认存在欺诈的理赔单占比，通常来自历史抽样审计的估计。
    pf=NfNp_f = \frac{N_f}{N}
  3. 单均赔付额 C̄全部理赔单的平均赔付金额，代表每单欺诈得手的大致获利。
    Cˉ=1N∑i=1NCi\bar{C} = \frac{1}{N}\sum_{i=1}^{N} C_i
  4. 损失估算 L三量相乘得到年度欺诈损失量级，用于向管理层论证投入 AI 方案的 ROI。
    L=N×pf×CˉL = N \times p_f \times \bar{C}

数据整合治理

防损系统上线前，老周先做了一件事：把所有门店的收银小票、会员卡消费记录、退货单、监控录像时间戳全部汇到一张总表里。他深知，系统再聪明，喂进去的是脏数据，吐出来的就是垃圾结论。医保欺诈检测的数据整合也是这个道理，核心有三类原料：理赔历史数据是“收银流水”，记录了每一笔赔付的金额、时间、医院和项目；医疗编码数据是“商品条码”，ICD-10 诊断编码和 CPT 手术操作编码标明了医院到底做了什么；患者行为数据是“会员卡轨迹”，反映了一个人就医的频次、科室偏好和用药习惯。三块数据拼接起来，才能还原一张理赔单的完整故事。

数据整合最大的坑是“缺胳膊少腿”：有的医院编码填错，有的理赔单缺失诊断信息，有的患者历史记录散落在不同系统里。业界做法是建立数据质量评分，不达标的字段先清洗再入库。

老周常说：“小票都扫不齐，防损系统就是瞎子。”数据整合治理正是这套医保防损系统睁眼看世界的起点。

Q=w1×C1+w2×C2+w3×C3Q = w_1 \times C_1 + w_2 \times C_2 + w_3 \times C_3
数据质量总分由完整率、准确率、及时率加权求和，质量不过关的数据不进特征表。
  1. 完整率 C1数据表中非空字段占比，衡量数据有没有“缺胳膊少腿”。
    C1=NvalidNtotalC_1 = \frac{N_{\text{valid}}}{N_{\text{total}}}
  2. 准确率 C2抽样比对后记录与真实业务一致的占比，衡量数据有没有“写错账”。
    C2=NcorrectNsampleC_2 = \frac{N_{\text{correct}}}{N_{\text{sample}}}
  3. 及时率 C3数据在有效时间窗口内进入数仓的比例，过期数据会拖慢实时审核。
    C3=NontimeNtotalC_3 = \frac{N_{\text{ontime}}}{N_{\text{total}}}
  4. 质量总分 Q按业务重要性给三个率配权重后求和，作为特征表的准入门槛。
    Q=w1×C1+w2×C2+w3×C3Q = w_1 \times C_1 + w_2 \times C_2 + w_3 \times C_3

欺诈特征识别

防损系统装好后，老周每天上班第一件事是看“可疑行为大屏”。屏幕上有几类反复出现的面孔：有人专挑晚上八点后买单且只买昂贵保健品，有人每周末都来退货且金额惊人，还有人总是买一堆与会员卡年龄不符的商品。把这些行为翻译成数据指标，就是欺诈检测的特征工程。医疗保险里也有三张“惯偷脸谱”：金额维度异常——某诊所的单次理疗费用是同行均值的 8 倍，或者一个三甲医院的普通感冒账单高达上万；频次维度异常——同一患者一天内在八家医院做同样的 CT，某个参保人一个月开了一年份的降压药；编码组合异常——诊断是普通感冒，手术编码却是心脏搭桥；本该一次完成的阑尾切除术被拆成“开腹探查+阑尾切除+腹腔冲洗”三个编码分别计费。

这些异常特征在数学上如何量化？最常用的是标准化分数，把每个值放到整个群体的尺度下去衡量它有多“扎眼”。

老周说，脸谱记得越细，系统越不容易被“化装”的骗子骗过。特征画像就是把欺诈者的各种伪装翻译成数据能识别的数字语言。

zi=xi−μσz_i = \frac{x_i - \mu}{\sigma}
z-score 表示某个理赔特征值偏离群体平均水平多少个标准差，通常 |z|>3 就被视为值得警惕的离群信号。
  1. 原始取值 xi某个特征上该理赔单的值，例如单次理赔金额 1200 元。
    xix_i
  2. 群体均值 μ全部理赔单该特征的算术平均，代表正常水平。
    μ=1n∑i=1nxi\mu = \frac{1}{n}\sum_{i=1}^{n} x_i
  3. 标准差 σ度量正常群体围绕均值的波动幅度，波动小则异常越扎眼。
    σ=1n∑i=1n(xi−μ)2\sigma = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(x_i - \mu)^2}
  4. 标准分 zi以 σ 为单位衡量 xi 偏离 μ 的距离，|z|>3 即视为小概率异常。
    zi=xi−μσz_i = \frac{x_i - \mu}{\sigma}

异常检测算法

画像画好了，接下来让系统自动“亮红灯”。老周的防损平台每天凌晨跑一遍全量交易，用三种办法自动圈可疑单。第一种是统计阈值检测，简单粗暴但有效：单笔金额超过历史 99 分位、频次超过 95 分位就直接报警，就像超市规定“单价超过 500 元的商品退货必须主管签字”。第二种是 孤立森林算法，它不建正常模型，而是专门“孤立”那些容易一刀切出来的点——想象你在一堆葡萄里混进几颗核桃，只要拿刀切几次，核桃很快就会被单独分出来，异常点因为数量少又离群，在随机分割树里总是更快到达叶子。

第三种是聚类分析技术，如 DBSCAN，它最擅长发现“抱团作案的团伙”——当一小群诊所的编码使用习惯高度相似又偏离其他所有机构时，很可能共享同一套欺诈模板。老周发现，系统亮红灯不是目的，把红灯排好序交给人才是目的，这就引出了下一层的风险建模。

s(x,n)=2−E(h(x))c(n)s(x, n) = 2^{-\frac{E(h(x))}{c(n)}}
孤立森林的异常分数由平均路径长度归一化得到，分数越接近 1 越可能是欺诈。
  1. 路径长度 h(x)样本在孤立树中从根节点走到叶子节点经过的边数。
    h(x)h(x)
  2. 期望路径 E(h)样本在森林全部孤立树上的平均路径长度，异常点通常很快被切出来。
    E(h(x))=1T∑t=1Tht(x)E(h(x)) = \frac{1}{T}\sum_{t=1}^{T} h_t(x)
  3. 平均路径 c(n)n 条样本构建的孤立树中叶子的期望路径，用来把分数归一化到 0~1。
    c(n)=2ln⁡(n−1)+0.5772156649−2(n−1)nc(n) = 2\ln(n-1) + 0.5772156649 - \frac{2(n-1)}{n}
  4. 异常分数 ss 越接近 1 越可疑，接近 0 越正常，0.5 附近表示无明显倾向。
    s(x,n)=2−E(h(x))c(n)s(x, n) = 2^{-\frac{E(h(x))}{c(n)}}

风险预测建模

红灯亮了三千单，可审核人手只够查三百单，怎么办？老周的经验是：给每单打个分，从最像的查起。这就是有监督的风险预测建模。数据来源是历史已审核的理赔单——人工审核结论就是标签。特征工程这一步决定了模型上限：把原始字段加工成金额 z-score、月度频次、编码一致性检测结果、机构历史异常率等衍生特征。模型选型上，逻辑回归因为可解释性强，常作为第一版基线；而梯度提升树（如 XGBoost、LightGBM）能捕捉特征间复杂交互，是实际项目中的主力。逻辑回归的数学核心是把线性得分压缩成 0~1 的欺诈概率：

模型效果怎么看？精确率（查出的单子里真是欺诈的比例）和召回率（真正的欺诈单里被查出的比例）是一对跷跷板，再辅以 AUC 衡量整体排序能力。老周很明白，宁可错杀三千（高召回），也不能放过一个（低漏报），因为一张大额欺诈单能抵几百张误报单的审核成本。

p^=11+e−(w0+∑i=1nwixi)\hat{p} = \frac{1}{1 + e^{-(w_0 + \sum_{i=1}^{n} w_i x_i)}}
模型输出的欺诈概率就是理赔单的“嫌疑分”，越接近 1 越需要人工复核。
  1. 特征向量 x理赔单的各项特征，如金额、频次、编码异常度。
    x=[x1,x2,…,xn]x = [x_1, x_2, \dots, x_n]
  2. 权重与偏置模型从历史标签中学到的参数，代表每个特征的贡献方向与力度。
    w=[w1,w2,…,wn], bw = [w_1, w_2, \dots, w_n], \ b
  3. 线性得分特征加权求和，值越大欺诈倾向越高。
    w0+∑i=1nwixiw_0 + \sum_{i=1}^{n} w_i x_i
  4. Sigmoid 映射把线性得分压缩到 0~1 区间，输出即欺诈概率。
    p^=11+e−(w0+∑i=1nwixi)\hat{p} = \frac{1}{1 + e^{-(w_0 + \sum_{i=1}^{n} w_i x_i)}}

智能审核体系

模型打完了分，真正的战场在审核工作台。老周的团队每天打开系统，看到的不再是几万条原始交易，而是一份“风险排行榜”：风险评分排序把最高危的理赔单排在最前面，审核员优先处理这些单子。这个综合风险分把多个证据通道拧成一股绳：

人机协同审核是这套体系的灵魂：AI 负责“圈重点”，把可疑单连同理由（“该编码组合三年未出现”“该机构月赔付额突增 4 倍”）一起推给审核员；审核员负责“下判断”，打电话核实、调病历、问询患者。得到结论后，所有人工审核结果都会回流到训练集——这就是闭环反馈优化。老周的报表显示，上线半年后，审核员人均日处理量提升了 5 倍，欺诈查实率从 12% 升到 41%。更妙的是，系统还能发现“道高一尺魔高一丈”的新骗术：当一类欺诈手法被打击后，识别它的特征权重会自动变化，模型始终在追着骗子的脚步进化。

这就是医保防损经理的新工作台：机器做扫描仪，人做裁判，循环往复，越用越聪明。

S=∑i=1mwi×fiS = \sum_{i=1}^{m} w_i \times f_i
综合风险分是异常检测分数、模型概率、规则命中等多个风险因子的加权和，分高者优先进入人工审核队列。
  1. 风险因子 fi来自异常检测分数、模型概率、规则命中次数等证据通道。
    fi∈[0,1]f_i \in [0, 1]
  2. 权重 wi通过历史审核结论反推各通道的可靠程度，精确率高的通道权重大。
    wi=log⁡TPiFPiw_i = \log\frac{\text{TP}_i}{\text{FP}_i}
  3. 综合风险分 S加权求和得到每张理赔单的总风险分，按从高到低进入审核队列。
    S=∑i=1mwi×fiS = \sum_{i=1}^{m} w_i \times f_i

AI 应用场景

场景一：美国 CMS 的 Medicare 欺诈检测

阶段：风险预测建模 + 智能审核流程

解决的问题：Medicare 每年的欺诈、浪费与滥用估计造成数百亿美元损失，传统人工逐单审核只能覆盖极少比例的理赔请求，大量虚假申报难以及时拦截。

具体案例：美国医疗保险和医疗补助服务中心（CMS）部署了预测分析系统，对每一笔 Medicare 理赔实时计算欺诈风险分数，高分理赔自动进入优先审核队列，由调查员结合 AI 给出的异常模式（如某供应商理赔量月度突增、某患者处方组合异常）进行精准调查。该系统每年帮助追回数亿美元资金，并将审核周期从数月压缩到数天。

场景二：某省医保局智能审核监控平台

阶段：数据整合治理 + 欺诈特征识别 + 异常检测算法

解决的问题：定点医疗机构“分解住院”“挂床住院”“串换项目”等违规行为难以全面排查，人工审查依赖举报线索，漏检率高。

具体案例：国内某省医保局上线智能审核平台，整合全省医保结算清单、DRG 分组数据和患者就医轨迹，利用异常检测算法对每家医院生成“行为画像”。系统发现某民营医院白内障手术编码使用频率是同级医院均值的 9 倍，经现场飞行检查证实其诱导患者入院、虚记手术费用，最终追回违规基金并暂停其医保定点资格。

Python 演示

python42 行
# -*- coding: utf-8 -*-"""医疗保险欺诈检测演示: 异常检测 + 风险评分 双通道识别可疑理赔"""import numpy as npfrom sklearn.ensemble import IsolationForestfrom sklearn.linear_model import LogisticRegressionfrom sklearn.preprocessing import StandardScaler rng = np.random.RandomState(42) # 1. 模拟理赔数据: [单次金额, 月就诊频次, 编码异常度]normal = np.c_[rng.normal(200, 60, 900),               rng.poisson(2, 900),               rng.normal(0, 1, 900)]fraud = np.c_[rng.normal(500, 120, 100),              rng.poisson(8, 100),              rng.normal(3.5, 1.5, 100)]X = np.vstack([normal, fraud])y = np.hstack([np.zeros(900), np.ones(100)]) # 2. 通道一: 孤立森林无监督异常检测iso_model = IsolationForest(contamination=0.1, random_state=42)iso_pred = iso_model.fit_predict(X)iso_score = -iso_model.score_samples(X) # 3. 通道二: 逻辑回归有监督风险评分scaler = StandardScaler().fit(X)X_s = scaler.transform(X)clf = LogisticRegression(max_iter=500)clf.fit(X_s, y)risk_score = clf.predict_proba(X_s)[:, 1] # 4. 综合决策: 任一通道报警即标记可疑threshold = np.percentile(iso_score, 90)flagged = (iso_score > threshold) | (risk_score > 0.5)found = (flagged & (y == 1)).sum()false_alarm = (flagged & (y == 0)).sum() print("模拟理赔总数: %d" % X.shape[0])print("实际欺诈单数: %d" % y.sum())print("模型标记可疑: %d" % flagged.sum())print("命中欺诈单数: %d" % found)print("误报正常单数: %d" % false_alarm)
目的：用合成理赔数据演示医疗欺诈检测的完整双通道流程——孤立森林做无监督异常圈定，逻辑回归做有监督风险打分，两路证据汇合后标记可疑理赔。
  1. normal = np.c_[rng.normal(200, 60, 900), ...]生成 900 条正常理赔记录，金额、频次、编码异常度都落在正常区间，模拟超市里的大多数普通顾客。
  2. fraud = np.c_[rng.normal(500, 120, 100), ...]生成 100 条欺诈理赔记录，三个特征普遍偏高，对应防损系统里的“惯偷脸谱”。
  3. iso_model.fit_predict(X)孤立森林直接在无标签数据上训练并输出异常标记，-1 代表可疑，就像防损系统半夜自动扫一遍全量交易。
  4. iso_score = -iso_model.score_samples(X)把原始异常分数取负，让分数越大越可疑，方便后续统一排序。
  5. scaler = StandardScaler().fit(X)标准化让各特征处于同一量纲，避免金额数值过大主导逻辑回归的权重。
  6. clf.fit(X_s, y)有监督模型用历史人工审核结论当标签，学习“什么样的理赔更像欺诈”。
  7. risk_score = clf.predict_proba(X_s)[:, 1]输出每张理赔单的欺诈概率，作为风险评分排序的依据。
  8. flagged = (iso_score > threshold) | (risk_score > 0.5)双通道任一报警即标记，宁可误报多一些也不要放过真正的欺诈。

常见误区

误区模型把这张理赔单标红了，那它肯定就是欺诈了，可以直接拒赔，不需要再人工审核。

正解AI 标记的“可疑”只是风险提示，类似超市安检门响了不等于顾客偷了东西——可能是顾客口袋里揣了个铁盒子。欺诈判定涉及医疗专业判断和法律证据链，必须由审核员核实后才能定性。把模型当法官，会造成大量误伤纠纷，也浪费了模型最有价值的“线索优先级”能力。

为何常见：从业者容易把分类模型的“预测值”等同于“事实标签”，忽略了预测永远有误差，而医疗领域的一次误判可能引发严重后果。

误区只要把能拿到的理赔数据全都堆进模型，效果自然会变好，数据量决定一切。

正解数据量只是基础，质量才是天花板。医保数据普遍存在编码错误、机构间标准不一、关键字段缺失等“脏数据”问题，直接灌入模型反而会被噪声带偏。老周的经验是：先做数据质量评分，把完整率、准确率不达标的字段清洗或剔除，再谈特征工程和模型选型。

为何常见：大数据时代“数据多就是好”的观念深入人心，但行业落地时数据质量和业务理解往往比数据量更稀缺。

误区异常检测算法标出来的离群点都是欺诈行为，直接按欺诈处理就行。

正解离群≠欺诈。一位刚做完大手术的重症患者，理赔金额高是正常的；一家新开张的诊所编码习惯与其他机构不同也可能只是流程差异。异常点只是“线索”，需要结合业务规则、医学逻辑和人工审核才能定性。好的方案会将离群分数作为众多风险因子之一，而非唯一判据。

为何常见：异常检测输出直观、可视化效果好，容易让人产生“红点即坏人”的错觉，忽视了欺诈检测本质是多证据融合的证据链问题。

误区模型训练好上线运行，效果就稳定了，可以放在那里不管。

正解欺诈者是“活人”，会不断尝试新手法来对抗模型。当一类骗术被打击后，欺诈分布会转移；医保政策调整、定价目录变化也会让数据分布漂移。业界必须建立闭环反馈：人工审核结论定期回流训练集，持续监控模型效果指标，按需重训或增量更新，才能真正做到“道高一尺，魔高一丈”。

为何常见：把 AI 建模当成一次性的工程项目，忽略了真实业务环境是动态对抗的，模型的持续运营能力才是核心竞争力。

面试题

Q1. 下列哪项属于医疗保险欺诈检测中最核心的数据来源？

单选题 · easy

  • A.历史理赔记录← 正确答案
  • B.城市天气预报
  • C.道路拥堵指数
  • D.股票交易明细

答案：A。理赔记录是欺诈检测的“收银流水”，记录了金额、项目和医院信息，是最直接的分析原料。天气、交通和股票数据与个体理赔行为没有业务关联，属于无关噪声。

Q2. 异常检测中“孤立森林”算法的核心思想是什么？

单选题 · easy

  • A.用随机切分快速孤立异常点← 正确答案
  • B.用神经网络拟合正常分布
  • C.用聚类计算群体质心
  • D.用回归预测时间趋势

答案：A。孤立森林利用异常点数量少且特征取值极端的特点，通过随机特征切分树将它们快速分离到叶子节点，就像一刀把混在葡萄里的核桃切出来。B、C、D 描述的分别是深度生成、聚类和回归的思路。

Q3. 关于医疗欺诈中的“编码拆分”手法，下列说法正确的是？

单选题 · mid

  • A.把低价服务编码换成高价服务收费
  • B.把常规服务拆分多次分别计费← 正确答案
  • C.把患者医保卡借给他人反复使用
  • D.把同一检查在不同医院重复开单

答案：B。编码拆分（Unbundling）指将本该一次完成的服务拆成多个编码分别计费，比如把一次阑尾切除术拆成“开腹探查+阑尾切除+腹腔冲洗”，从而获得更高赔付。A 是编码升级（Upcoding），C 是冒名就医，D 是重复检查，均属不同类型的欺诈。

Q4. 训练有监督欺诈检测模型时，样本标签通常来自哪里？

单选题 · mid

  • A.人工审核后的最终结论← 正确答案
  • B.模型自身的预测输出
  • C.随机抽样的猜测结果
  • D.社交媒体上的公开信息

答案：A。有监督模型需要可靠的“标准答案”作为学习目标，人工审核结论经过医学与法律双重核验，是最权威的标签来源。模型输出不能当标签，否则会自我强化错误；随机猜测和社交媒体信息都不具备业务权威性。

Q5. 风险评分排序在智能审核流程中的核心作用是什么？

单选题 · mid

  • A.帮审核员优先处理最可疑的理赔单← 正确答案
  • B.把所有理赔单按金额从高到低排列
  • C.用随机顺序打乱队列以保证公平
  • D.把低风险理赔单直接删除不赔付

答案：A。审核资源有限，风险评分排序把最可能欺诈的单子排在最前面，让审核员先查高危单，提高人均查实率。按金额排序或随机排序都会浪费审核资源，而删除低风险单会破坏赔付合规性。

Q6. 关于欺诈检测模型的阈值设定，下列说法正确的是？

单选题 · hard

  • A.阈值越高误报越少但漏报可能增加← 正确答案
  • B.阈值越高漏报越少但误报必然增加
  • C.阈值与误报漏报概率完全没有关系
  • D.阈值只能取固定值无法按需调节

答案：A。当判定阈值提高时，只有嫌疑分更高的单子才会被标记，被标记总量减少，误报随之下降，但一些嫌疑分稍低的欺诈单会被漏掉，即漏报增加。阈值是精确率与召回率的调节旋钮，可以按业务风险偏好动态调整。

Q7. 孤立森林中“异常点更容易被孤立”的根本原因是？

单选题 · hard

  • A.异常点数量少且特征取值极端← 正确答案
  • B.异常点总是聚集在数据中心
  • C.正常点普遍分布在稀疏边缘
  • D.决策树只对异常点做训练

答案：A。异常点在特征空间中远离的正常样本簇，数量稀少又取值偏离，随机切分时极少有其他样本与之“纠缠”，因此路径更短。正常点恰恰相反，它们密集分布需要更多次切分才能分开。B、C 的表述与事实相反，D 不符合算法机制。

Q8. 欺诈检测中常用的理赔特征包括哪些？

多选题 · mid

  • A.单次理赔金额← 正确答案
  • B.患者就诊频次← 正确答案
  • C.医疗编码组合← 正确答案
  • D.收银小票编号

答案：ABC。单次金额反映费用虚高，就诊频次反映过度医疗，编码组合反映诊断与操作是否匹配，都是欺诈检测的核心特征。收银小票是零售业概念，医保领域对应的是医保结算单据，不构成独立的欺诈特征维度。

Q9. 评估欺诈检测分类模型时，下列哪些指标是适用的？

多选题 · mid

  • A.精确率指标← 正确答案
  • B.召回率指标← 正确答案
  • C.AUC评估值← 正确答案
  • D.视频帧速率

答案：ABC。精确率衡量查出的单子里真欺诈的占比，召回率衡量真欺诈被查出的占比，AUC 衡量模型对正负样本的排序能力，三者都是分类模型常用指标。帧速率是视频领域的性能指标，与欺诈检测无关。

Q10. 在类别极不平衡的欺诈数据上，下列哪些做法能有效改善模型表现？

多选题 · hard

  • A.使用SMOTE过采样合成新的欺诈样本← 正确答案
  • B.将全部多数类样本删除只保留少数类
  • C.使用类别权重向欺诈样本提高错分惩罚← 正确答案
  • D.将所有欺诈样本的标签全部改为正常类

答案：AC。SMOTE 通过在少数类样本间插值合成新欺诈样本，可缓解类别不平衡；设置类别权重让模型更重视欺诈样本的错分代价，也是业界常用手段。B 删除全部多数类会破坏真实数据分布，D 篡改标签会使模型完全丧失判别能力。