Otros métodos de clustering para detectar fraude

Fraud Detection in Python

Charlotte Werger

Data Scientist

Hay muchos métodos de clustering

Algoritmos de clustering

Y distintas formas de señalar fraude: usar los clústeres más pequeños

Clústeres más pequeños

En realidad se ve más así

Clústeres más pequeños 2

DBSCAN vs. K-means

No hace falta predefinir el número de clústeres
Ajusta la distancia máxima entre puntos del clúster
Fija un mínimo de muestras por clúster
Mejor en datos con formas raras
Pero... mayor coste computacional

Implementando DBSCAN

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.5, min_samples=10, n_jobs=-1).fit(X_scaled)

# Get the cluster labels (aka numbers)
pred_labels = db.labels_

# Count the total number of clusters
n_clusters_ = len(set(pred_labels)) - (1 if -1 in pred_labels else 0)
# Print model results
print('Estimated number of clusters: %d' % n_clusters_)

Estimated number of clusters: 31

Comprobando el tamaño de los clústeres

# Print model results
print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X_scaled, pred_labels))

Silhouette Coefficient: 0.359

# Get sample counts in each cluster 
counts = np.bincount(pred_labels[pred_labels>=0])
print (counts)

[ 763  496  840  355 1086  676   63  306  560  134   28   18  262  128  332  22  
   22   13   31   38   36   28   14   12   30   10   11   10   21   10    5]

¡Vamos a practicar!

Fraud Detection in Python