Algoritme deteksi penipuan dalam praktik

Deteksi Kecurangan di Python

Charlotte Werger

Data Scientist

Deteksi penipuan tradisional dengan sistem berbasis aturan

Kekurangan penggunaan sistem berbasis aturan

Sistem berbasis aturan memiliki keterbatasan:

Ambang tetap per aturan untuk menentukan penipuan
Terbatas pada hasil ya/tidak
Gagal menangkap interaksi antar fitur

Mengapa gunakan machine learning untuk deteksi penipuan?

Model machine learning beradaptasi dengan data, sehingga dapat berubah seiring waktu
Gunakan seluruh data gabungan, bukan ambang per fitur
Dapat memberi skor, bukan hanya ya/tidak
Biasanya berkinerja lebih baik dan dapat digabung dengan aturan

Pengingat singkat tentang model machine learning

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

# Step 1: split your features and labels into train and test data 
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# Step 2: Define which model you want to use 
model = LinearRegression()

# Step 3: Fit the model to your training data 
model.fit(X_train, y_train)

# Step 4: Obtain model predictions from your test data
y_predicted = model.predict(X_test)

# Step 5: Compare y_test to predictions and obtain performance metrics
print (metrics.r2_score(y_test, y_predicted))

0.821206237313

Apa yang akan Anda lakukan di bab berikutnya

Bab 2. Pembelajaran terawasi: latih model dengan label penipuan yang ada
Bab 3. Pembelajaran tak terawasi: gunakan data Anda untuk menentukan perilaku “mencurigakan” tanpa label
Bab 4. Deteksi penipuan dengan data teks: pelajari cara memperkuat model deteksi penipuan dengan text mining dan topic modeling

Ayo berlatih!

Deteksi Kecurangan di Python