Menangani dataset tidak seimbang

Deteksi Fraud di R

Bart Baesens

Professor Data Science at KU Leuven

Dataset tidak seimbang

Tantangan utama: memberi label kejadian sebagai penipuan atau bukan
- Tantangan besar bagi metode klasifikasi & teknik deteksi anomali
Klasifier cenderung berpihak pada kelas mayoritas (= bukan penipuan)
- galat klasifikasi besar pada kasus penipuan
Klasifier belajar lebih baik dari distribusi yang seimbang

tumpukan jerami dan jarum v2

Dataset tidak seimbang

Tantangan utama: memberi label kejadian sebagai penipuan atau bukan
- Tantangan besar bagi metode klasifikasi & teknik deteksi anomali
Klasifier cenderung berpihak pada kelas mayoritas (= bukan penipuan)
- galat klasifikasi besar pada kasus penipuan
Klasifier belajar lebih baik dari distribusi yang seimbang
Solusi mungkin: ubah distribusi kelas dengan metode sampling

tumpukan jerami dan jarum v1

Ketidakseimbangan awal

diagram batang ketidakseimbangan awal

Over-sampling kelas minoritas...

diagram batang over-sampling

... atau under-sampling kelas mayoritas ...

diagram batang kelas undersampling

... atau keduanya!

diagram batang kelas keduanya

Hasil setelah sampling...

hasil pengambilan sampel 2

... atau seperti ini

hasil pengambilan sampel 1

Random over-sampling (ROS)

data asli v0

data asli latih-uji

random over-sampling v0

random over-sampling v1

Random over-sampling dalam praktik

Dataset Deteksi Penipuan Kartu Kredit di Kaggle
- ~300K transfer kartu kredit dianonimkan, berlabel penipuan atau asli
Tentang datanya...
- Variabel numerik (anonim): V1, V2, ... , V28
- Time = detik sejak transaksi pertama di dataset
- Amount = nilai transaksi
- Class = variabel respons: 1 jika penipuan, 0 selain itu

sekilas subset dataset

Periksa ketidakseimbangan

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 dari paket 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

sekilas dataset over-sampled

Ayo berlatih!

Deteksi Fraud di R