Algorytmy wykrywania oszustw w praktyce

Wykrywanie oszustw w Pythonie

Charlotte Werger

Data Scientist

Tradycyjne wykrywanie oszustw z użyciem systemów regułowych

Wady systemów regułowych

Systemy regułowe mają swoje ograniczenia:

Stałe progi dla każdej reguły określające oszustwo
Wyniki ograniczone do tak/nie
Nie uwzględniają interakcji między cechami

Dlaczego warto używać uczenia maszynowego do wykrywania oszustw?

Modele uczenia maszynowego dostosowują się do danych i mogą zmieniać się w czasie
Wykorzystują wszystkie dane łącznie, a nie próg dla każdej cechy
Mogą zwracać ocenę zamiast odpowiedzi tak/nie
Zazwyczaj osiągają lepszą wydajność i można je łączyć z regułami

Przypomnienie modeli uczenia maszynowego

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

Co czeka nas w kolejnych rozdziałach

Rozdział 2. Uczenie nadzorowane: trenowanie modelu na podstawie istniejących etykiet oszustw
Rozdział 3. Uczenie nienadzorowane: wykrywanie „podejrzanego" zachowania bez etykiet
Rozdział 4. Wykrywanie oszustw na podstawie danych tekstowych: rozszerzanie modeli o eksplorację tekstu i modelowanie tematyczne

Czas na ćwiczenia!

Wykrywanie oszustw w Pythonie