目录

📢2024-2025-2-CMP245-Python与大数据分析-课程大作业通知

⚠️ 严正声明

本次大作业旨在培养独立思考和实际操作能力，突破传统闭卷考试的局限，通过更具挑战性的方式激发学习热情。老师精心设计评估体系，并严格防范不正当竞争，确保公平性，使真正努力的同学得到应有认可。

正如古训所言：“千里之行始于足下”，诚信与坚持才是成长与成功的基石。规则不仅约束行为，更保障每位学子公平竞争的机会。望大家以敬畏之心遵守规章，在实践中不断累积力量，迈向更高成就。

请大家务必遵守规则，杜绝任何舞弊行为。接受举报，举报邮箱 6.00@163.com

📷 插图展示

黑1 黑2 黑3 黑4 黑5

🚨 涉嫌舞弊人员名单

以下为涉嫌舞弊的人员名单（红色字体标注），课程负责人将联合信息处负责人进行追查：

某同学375350157、某同学745706177、某同学_1楼主、SunnyBlossoming可指导、某同学5nyxa8b、某同学5nyv2hg、QQ1129888135

⚠️ 提醒

课程负责人将与信息处负责人一同追索上述涉嫌舞弊人员，并采取一切必要手段，包括可能的“钓鱼执法”。
请注意：你们能上的网站，课程老师也能上去，而且能看到全貌。
期末一旦发现舞弊行为，相关材料将上报教务处，按照作弊处理，存在学位吊销风险。

📌 大作业名称：谁会提出保险索赔？

⏰ 时间安排与提交方式 ⚠️ 测试集6小时限制取消，开放至 2025年6月29日 23:59

时间节点 描述 提交方式 开始时间 截止时间
软件下载开放 期末大作业软件下载 通过课程网站下载客户端软件 2025年6月21日 23:59 2025年6月29日 23:59
测试集获取 考试期间通过软件获取测试数据 输入学号登录客户端软件后获取 2025年6月21日 23:59 2025年6月29日 23:59
预测结果提交 预测结果(.csv)文件共3次提交机会 17578行×1列无表头格式 2025年6月21日 23:59 2025年6月29日 23:59
项目首页提交 包含基本信息的首页文件 PDF/DOCX格式 2025年6月21日 23:59 2025年7月1日 23:59
项目报告提交 详细分析报告（5000字） PDF/DOCX格式 2025年6月21日 23:59 2025年7月1日 23:59
源代码提交 完整可运行的项目代码 .py .ipynb 或 ZIP压缩包格式 2025年6月21日 23:59 2025年7月1日 23:59

一、项目背景

在现代保险行业中，精准识别可能提出索赔的客户，对于控制风险、优化保费结构具有重要意义。现实中，车险客户索赔数据极度不平衡，绝大多数客户在保险期间内并不会提出索赔申请，只有极少数会。

本次项目要求同学们以“保险侦探”的身份，利用所学的 Python 数据分析与建模技能，对车险客户数据进行建模预测，判断客户在保单有效期内是否有索赔行为，从而：

  • 帮助保险公司合理控制风险；
  • 精细化定价和产品设计；
  • 降低理赔成本；
  • 提供更公平的服务给客户。

二、任务目标与提交内容

✅ 任务要求

你需要使用训练数据构建分类模型，并预测测试集中每位客户的索赔概率（取值在 0 到 1 之间）。此外，还需撰写完整项目报告，提交所有相关成果。

📄 提交内容

内容 文件格式 要求
预测结果 .csv 共 17578 行 × 1 列，每行为客户索赔概率，无表头
项目首页 .doc / .pdf 包含项目标题、姓名、学号等
报告正文 .doc / .pdf 内容详实，包括数据处理、建模过程、模型评估等
源代码 .ipynb / .py / .zip 模型训练、预测代码需完整、可运行

⚠️ 严禁抄袭、共享测试集或提交他人结果，一经发现将按59.99 分处理。

三、📤 提交方式说明

为确保作业提交的规范性和完整性，本课程采用专用软件进行作业提交与评分。

📋 提交流程

  1. 下载并安装客户端软件：从课程网站下载对应操作系统版本
  2. 登录验证：使用学号登录客户端软件
  3. 获取测试数据：在指定时间内通过软件获取测试集
  4. 分别上传4个文件：
    • 预测结果文件（.csv格式）
    • 项目首页文件（PDF格式）
    • 项目报告文件（PDF/DOCX格式）
    • 源代码压缩包（ZIP格式）

⚠️ 重要提醒： - 软件仅允许在一台机器上运行，请选择合适的设备 - 所有文件必须通过客户端软件提交，其他方式无效 - 请在截止时间前完成提交，逾期不予受理

四、数据说明及获取方式

📂 数据位置说明

  1. 训练集（train.csv）

    • 📍 位置：下载的作业包中的 "6-数据集" 文件夹内
    • 行数：41015
    • 列数：40
    • 包含目标变量 claim_status（1=索赔，0=未索赔）

  2. 测试集（test.csv）

    • 📍 获取方式：在指定时间通过 期末考试.exe 软件获取
    • 行数：17579
    • 列数：39（无 claim_status）
    • ⚠️ 注意：测试集将在考试期间限时开放

五、字段举例

字段名称 类型 含义
subscription_length float 保单生效时长（年）
vehicle_age float 车辆使用年限
customer_age int 投保人年龄
region_density int 地区人口密度
segment string 市场细分等级（如 B1、C2）
airbags int 安全气囊数量
ncap_rating int 安全评级（1-5星）
claim_status int 是否索赔（仅训练集中）

六、⚠️ 重要提醒

数据获取流程

  1. 第一步：下载作业包，从"6-数据集"文件夹获取训练数据
  2. 第二步：使用训练数据进行模型开发和调试
  3. 第三步：在指定考试时间启动期末考试.exe获取测试数据
  4. 第四步：使用训练好的模型对测试数据进行预测
  5. 第五步：在截止时间前提交所有成果

📋 提交检查清单

  • [ ] 预测结果文件（.csv格式，17578行×1列，无表头）
  • [ ] 项目首页（包含姓名、学号等基本信息）
  • [ ] 详细报告（数据处理、建模过程、模型评估）
  • [ ] 完整源代码（可运行的模型训练和预测代码）
  • [ ] 确认所有文件在截止时间前提交

六、结果文件示例生成代码

import pandas as pd
import numpy as np

# 假设 predictY 是你预测的概率值 DataFrame
predictY = pd.DataFrame(np.random.uniform(0, 1, 17578).reshape(17578, 1))
predictY.to_csv('Results.csv', encoding='utf-8', index=False, header=False)

七、模型评估标准：AUC（Area Under Curve）

  • 本项目以 AUC 值 作为主要评估指标；
  • AUC 衡量模型在所有可能阈值下的区分能力；
  • 特别适用于类别极度不平衡的数据集；
  • 不受分类阈值影响，体现模型对正负样本排序的整体性能。

示例代码：

from sklearn import metrics

# y_true 为真实标签，y_pred 为预测概率
fpr, tpr, _ = metrics.roc_curve(y_true, y_pred)
auc_score = metrics.auc(fpr, tpr)
print("AUC:", auc_score)

八、📝 项目报告要求（5000字）

📋 报告基本要求

  • 字数要求：不少于5000字（不含代码和图表）
  • 格式要求：PDF或DOCX格式，排版清晰美观
  • 提交方式：通过客户端软件上传
  • 截止时间：2025年7月1日 23:59

🏗️ 建议报告结构

1. 封面页 (1页)

  • 项目标题：谁会提出保险索赔？
  • 学生姓名、学号、班级
  • 提交日期

2. 摘要 (300-500字)

  • 项目背景简述
  • 采用的主要方法
  • 核心发现和结果
  • 模型性能指标

3. 引言 (800-1000字)

  • 业务背景：保险行业索赔预测的重要性
  • 问题定义：明确分类任务目标
  • 数据概述：训练集和测试集基本信息
  • 评估标准：AUC指标的选择原因

4. 数据探索与分析 (1200-1500字)

  • 数据基本信息：维度、数量、字段含义
  • 缺失值分析：缺失情况统计和处理策略
  • 目标变量分析：类别分布、不平衡程度
  • 特征分布分析：数值型和分类型特征的分布
  • 相关性分析：特征间相关性和与目标变量的关系
  • 异常值检测：识别和处理策略

5. 数据预处理 (800-1000字)

  • 缺失值处理：填充方法和理由
  • 异常值处理：检测和处理方法
  • 特征编码：分类变量的编码策略
  • 特征缩放：标准化/归一化方法
  • 特征选择：降维或特征筛选方法
  • 数据划分：训练集验证策略

6. 模型构建与优化 (1500-2000字)

  • 模型选择：

    • 尝试的算法类型（如逻辑回归、随机森林、XGBoost、LightGBM等）
    • 各算法的优缺点分析
    • 选择理由

  • 模型训练：

    • 超参数调优方法（网格搜索、贝叶斯优化等）
    • 交叉验证策略
    • 防止过拟合的方法

7. 模型评估与结果 (800-1000字)

  • 评估指标：

    • AUC值及其解释
    • 其他辅助指标（Precision, Recall, F1-score等）

  • 模型比较：

    • 不同模型的性能对比
    • 性能提升的原因分析

  • 特征重要性：

    • 关键特征识别
    • 业务解释意义

8. 结果分析与业务洞察 (600-800字)

  • 预测结果分析：测试集预测结果的分布特征
  • 业务价值：模型在实际业务中的应用价值
  • 风险因子识别：影响索赔概率的关键因素
  • 改进建议：对保险公司的具体建议

9. 总结与展望 (400-500字)

  • 项目总结：完成的工作和取得的成果
  • 技术收获：学到的知识和技能
  • 局限性分析：当前方法的不足
  • 未来改进：可能的优化方向

10. 参考文献

  • 相关学术论文、技术文档
  • 使用的开源库和工具

📊 报告撰写建议

内容要求

  • 数据可视化：使用图表展示数据分析结果
  • 代码片段：关键算法的核心代码（非完整代码）
  • 结果展示：模型性能图表和对比分析
  • 逻辑清晰：思路连贯，论证充分

技术深度

  • 方法论述：详细说明采用的技术方法和理论依据
  • 参数选择：解释超参数选择的原因
  • 实验设计：说明实验的设计思路和验证方法
  • 结果解释：从技术和业务角度解释结果

创新亮点

  • 特征工程：创新的特征构造方法
  • 模型改进：对传统方法的改进
  • 业务理解：深入的业务分析和见解
  • 技术应用：新技术或新方法的应用

✅ 评分标准

评分维度 权重 具体要求
内容完整性 25% 结构完整，各部分内容充实
技术深度 30% 方法先进，分析深入
实验设计 20% 实验合理，验证充分
结果分析 15% 结果可信，解释合理
表达质量 10% 语言流畅，逻辑清晰

九、参考资料