Lidando com conjuntos de dados desbalanceados

Detecção de Fraudes em R

Bart Baesens

Professor Data Science at KU Leuven

Conjuntos de dados desbalanceados

Desafio central: rotular eventos como fraude ou não
- Grande desafio para métodos de classificação e técnicas de detecção de anomalias
Classificador tende a favorecer a classe majoritária (= sem fraude)
- alto erro de classificação nos casos de fraude
Classificadores aprendem melhor com distribuição balanceada

palheiro_e_agulha_v2

Conjuntos de dados desbalanceados

Desafio central: rotular eventos como fraude ou não
- Grande desafio para métodos de classificação e técnicas de detecção de anomalias
Classificador tende a favorecer a classe majoritária (= sem fraude)
- alto erro de classificação nos casos de fraude
Classificadores aprendem melhor com distribuição balanceada
Solução possível: mudar a distribuição das classes com amostragem

palheiro_e_agulha_v1

Desbalanceamento original

Over-sampling da minoria...

class_barplot_over

... ou under-sampling da maioria...

class_barplot_under

... ou ambos!

class_barplot_both

Resultado após amostragem...

class_barplot_result2

... ou assim

class_barplot_result1

Random over-sampling (ROS)

orig_data_v0

orig_data_train_test

random_oversampling_v0

random_oversampling_v1

Random over-sampling na prática

Conjunto de dados de detecção de fraude em cartão de crédito no Kaggle
- $\sim$ 300 mil transferências de cartão de crédito anonimizadas rotuladas como fraudulentas ou legítimas
Sobre os dados...
- Variáveis numéricas (anonimizadas): V1, V2, ... , V28
- Time = segundos entre cada transferência e a primeira do conjunto de dados
- Amount = valor da transação
- Class = variável resposta: 1 em caso de fraude e 0 caso contrário

creditcard_V2vsV1

Verifique o desbalanceamento

head(creditcard)

  Time         V1         V2  ...            V27         V28 Amount Class
1    0  1.1918571  0.2661507  ...  -0.0089830991  0.01472417   2.69     0
2   10  0.3849782  0.6161095  ...   0.0424724419 -0.05433739   9.99     0
3   12 -0.7524170  0.3454854  ...  -0.1809975001  0.12939406  15.99     0
4   17  0.9624961  0.3284610  ...   0.0163706433 -0.01460533  34.09     0
5   34  0.2016859  0.4974832  ...   0.1427572469  0.21923761   9.99     0

prop.table(table(creditcard$Class))

   0    1 
0.98 0.02

ovun.sample do pacote ROSE

n_legit <- 24108
new_frac_legit <- 0.50
new_n_total <- n_legit / new_frac_legit ## = 24108 / 0.50 = 48216

library(ROSE)
oversampling_result <- ovun.sample(formula = Class ~ ., data = creditcard,
                                   method = "over",
                                   N = new_n_total,
                                   seed = 2018)

oversampled_credit <- oversampling_result$data
prop.table(table(oversampled_credit$Class))

  0   1 
0.5 0.5

creditcard_V2vsV1_oversampled

Vamos praticar!

Detecção de Fraudes em R