Modelowanie tematów w wykrywaniu oszustw

Wykrywanie oszustw w Pythonie

Charlotte Werger

Data Scientist

Modelowanie tematów: odkrywanie ukrytych wzorców w tekście

Odkrywanie tematów w danych tekstowych
„O czym mówi tekst?"
Koncepcyjnie podobne do klasteryzacji
Porównanie tematów przypadków oszustw i uczciwych transakcji – jako cecha lub flaga
Czy istnieje temat w danych wskazujący na oszustwo?

Latent Dirichlet Allocation (LDA)

LDA zwraca:

model „tematów na element tekstowy" (tj. prawdopodobieństwa)
model „słów na temat"

Tworzenie własnego modelu tematów:

Wyczyszczenie danych
Utworzenie bag of words ze słownikiem i korpusem
Podanie słownika i korpusu do modelu LDA

Latent Dirichlet Allocation (LDA)

Bag of words: słownik i korpus

from gensim import corpora

# Create dictionary number of times a word appears
dictionary = corpora.Dictionary(cleaned_emails)

# Filter out (non)frequent words 
dictionary.filter_extremes(no_below=5, keep_n=50000)

# Create corpus
corpus = [dictionary.doc2bow(text) for text in cleaned_emails]

Latent Dirichlet Allocation (LDA) z gensim

import gensim
# Define the LDA model
ldamodel = gensim.models.ldamodel.LdaModel(corpus, num_topics = 3, 
id2word=dictionary, passes=15)

# Print the three topics from the model with top words
topics = ldamodel.print_topics(num_words=4)
for topic in topics:
    print(topic)

(0, 0.029*"email" + 0.016*"send" + 0.016*"results" + 0.016*"invoice")
(1, 0.026*"price" + 0.026*"work" + 0.026*"management" + 0.026*"sell")
(2, 0.029*"distribute" + 0.029*"contact" + 0.016*"supply" + 0.016*"fast")

Czas na ćwiczenia!

Wykrywanie oszustw w Pythonie