Algoritmos de detecção de fraude em ação

Detecção de Fraudes em Python

Charlotte Werger

Data Scientist

Detecção de fraude tradicional com sistemas baseados em regras

Detecção de Fraudes em Python

Desvantagens de usar sistemas baseados em regras

Sistemas baseados em regras têm limitações:

  1. Limiares fixos por regra para determinar fraude
  2. Limitados a resultados sim/não
  3. Não capturam interações entre variáveis
Detecção de Fraudes em Python

Por que usar Machine Learning para detectar fraudes?

  1. Modelos de Machine Learning se ajustam aos dados e podem mudar com o tempo
  2. Usam todos os dados combinados, não um limiar por variável
  3. Podem gerar um escore, não só sim/não
  4. Geralmente têm melhor desempenho e podem ser combinados com regras

Detecção de Fraudes em Python

Relembrando os modelos de Machine Learning

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn import metrics

# Etapa 1: separe recursos e rótulos em dados de treino e teste 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Etapa 2: defina qual modelo usar 
model = LinearRegression()

# Etapa 3: ajuste o modelo aos dados de treino 
model.fit(X_train, y_train)

# Etapa 4: obtenha previsões do modelo nos dados de teste
y_predicted = model.predict(X_test)

# Etapa 5: compare y_test com as previsões e obtenha métricas de desempenho
print (metrics.r2_score(y_test, y_predicted))

0.821206237313
Detecção de Fraudes em Python

O que você fará nos próximos capítulos

  • Capítulo 2. Aprendizado supervisionado: treinar um modelo usando rótulos de fraude existentes

  • Capítulo 3. Aprendizado não supervisionado: usar seus dados para definir comportamento "suspeito" sem rótulos

  • Capítulo 4. Detecção de fraude com dados de texto: como aprimorar seus modelos com text mining e topic modeling

Detecção de Fraudes em Python

Vamos praticar!

Detecção de Fraudes em Python

Preparing Video For Download...