Modélisation de thèmes sur la fraude

Détection de fraude en Python

Charlotte Werger

Data Scientist

Modélisation de thèmes : révéler des motifs cachés dans les textes

Découvrir des thèmes dans des textes
« De quoi parle le texte »
Concept proche du clustering
Comparer les thèmes des fraudes vs non-fraudes et les utiliser comme variable ou indicateur
Ou… un thème particulier semble-t-il signaler une fraude ?

Latent Dirichlet Allocation (LDA)

Avec LDA, vous obtenez :

Modèle « thèmes par document » (probabilités)
Modèle « mots par thème »

Créer votre propre modèle de thèmes :

Nettoyer les données
Créer un sac de mots avec dictionnaire et corpus
Alimenter le modèle LDA avec le dictionnaire et le corpus

Latent Dirichlet Allocation (LDA)

Sac de mots : dictionnaire et corpus

from gensim import corpora

# Create dictionary number of times a word appears
dictionary = corpora.Dictionary(cleaned_emails)

# Filter out (non)frequent words 
dictionary.filter_extremes(no_below=5, keep_n=50000)

# Create corpus
corpus = [dictionary.doc2bow(text) for text in cleaned_emails]

Latent Dirichlet Allocation (LDA) avec gensim

import gensim
# Define the LDA model
ldamodel = gensim.models.ldamodel.LdaModel(corpus, num_topics = 3, 
id2word=dictionary, passes=15)

# Print the three topics from the model with top words
topics = ldamodel.print_topics(num_words=4)
for topic in topics:
    print(topic)

(0, 0.029*"email" + 0.016*"send" + 0.016*"results" + 0.016*"invoice")
(1, 0.026*"price" + 0.026*"work" + 0.026*"management" + 0.026*"sell")
(2, 0.029*"distribute" + 0.029*"contact" + 0.016*"supply" + 0.016*"fast")

Passons à la pratique !

Détection de fraude en Python