بیمه بیکاری یکی از مهم ترین و پرطرفدارترین انواع بیمه در دنیای امروزی محسوب می شود. سازمان تأمین اجتماعی در مقابل ادعای بیکاری افراد تحت پوشش این سازمان، وظیفه بررسی صحت این موضوع را دارد. بررسی دستیِ ادعای افراد بیکار نیازمند صرف زمان و هزینه زیادی است. روش های داده کاوی و یادگیری ماشین به عنوان ابزارهای کارآمدِ تحلیل داده ها می تواند در خودکارسازی این فرآیند به سازمان تأمین اجتماعی کمک کنند. در این پژوهش، روشی مبتنی بر یادگیری نظارتی برای بررسی صحت ادعای بیکاری افراد متقاضی ارائه شده است. روش پیشنهادی، اطلاعات بیمه شدگان را به عنوان ورودی دریافت کرده و پس از تحلیل داده ها به هر فرد متقاضی امتیازی تخصیص می دهد. سپس بر اساس مقدار این امتیاز، مدعیان بیمه بیکاری را به دو گروه "شایسته دریافت بیمه بیکاری" و "فاقد کفایت برای دریافت بیمه بیکاری" دسته بندی می کند. روش پیشنهادی از دو ترکیب مختلف برای دسته بندی ادعای متقاضیان استفاده می کند: روش BSA-SVM و روش ترکیب ضرایب اطمینان طبقه بندها. در روش BSA-SVM برای بهبود کارایی و تخمین پارامترهای کنترلی SVM، از الگوریتم بهینه سازی جستجوی عقبگرد (BSA) استفاده شده است. در روش ترکیب ضرایب اطمینان طبقه بندها، تعدادی طبقه بند، از جمله شبکه های عصبی مصنوعی، درخت تصمیم و رگرسیون لجستیک داده ها را طبقه بندی کرده و ضرایب اطمینان این طبقه بندها با دو روش مختلف با همدیگر ترکیب می شوند. نتایج آزمایش ها نشان می دهد که روش پیشنهادی BSA-SVM با کسب 87% و روش ترکیب طبقه بندها با ضرایب اطمینان با کسب دقت 86%، کارایی بهتری در قیاس با سایر روش های موجود کسب کرده اند.
