CART决策树与SVR驱动的车险续保概率预测：深度挖掘与优化策略

在本研究中，针对中国未来车险行业的关键发展趋势——车险价格与驾驶行为紧密关联以及同价位车型间保费差异显著，作者探讨了如何通过数据挖掘实现客户精准画像和续保概率预测的重要性。研究基于第十二届“认证杯”数学中国数学建模网络挑战赛的数据，具体聚焦于使用CART决策树和支持向量回归（SVR）模型来预测客户续保概率。 首先，数据预处理是研究的基础，通过清洗和剔除错误和缺失值，作者应用卡方检验确定了与客户续保密切相关的11个属性，这些属性集构成了后续分析的基础。接下来，数据被分为训练集和测试集，比例为3:1。CART决策树模型利用基尼指数进行分析，结果显示其在测试集上的准确率为81.41%。而SVR模型进一步提升了准确率至81.88%。 为了增强预测精度，作者将多项式回归和决策树模型结合起来对两个弱分类器的结果进行融合。尽管多项式回归在融合过程中表现一般，但决策树模型的融合带来了显著的提升，使得测试集的准确率达到了86.18%，相较于单一模型提高了约5%。这表明融合模型在实际应用中的效果更佳，预测结果与实际情况相符。 此外，研究还关注了如何运用发现的属性相关性，尤其是对客户续保概率影响最大的属性，提出保险公司可以考虑建立车友俱乐部或者制定策略，以优化客户服务和提高客户续保的可能性。这个案例展示了在大数据时代，通过数据驱动的方法在保险业中的实际应用价值，不仅有助于风险评估，也有利于提升业务效率和客户满意度。