Wnioskowanie na podstawie sieci społecznych

Wykrywanie oszustw w R

Tim Verdonck

Professor Data Science at KU Leuven

Wnioskowanie na podstawie sieci społecznych

Cel

Przewidywanie zachowania węzła na podstawie zachowania innych węzłów

Wnioskowanie na podstawie sieci społecznych

Wyzwania

Dane nie są niezależne
- Zachowanie jednego węzła może wpływać na zachowanie innych
- Skorelowane zachowania między węzłami
Wnioskowanie zbiorowe: wnioski o węzłach mogą na siebie wpływać

Nierelacyjny vs relacyjny

Model nierelacyjny

Wykorzystuje tylko informacje lokalne
Regresja logistyczna, drzewa decyzyjne, ...

Model relacyjny

Wykorzystuje powiązania w sieci
Relacyjny klasyfikator sąsiadów

Relacyjny klasyfikator sąsiadów

Założenia

Homofilia: połączone węzły mają tendencję do należenia do tej samej klasy ("wina przez skojarzenie")
Niektóre etykiety klas są znane

Relacyjny klasyfikator sąsiadów

Prawdopodobieństwo oszustwa

$$P(F | ?) = \frac{1 + 1}{1 + 1 + 1 + 1 + 1}=\frac{2}{5}= 40\%$$

Relacyjny klasyfikator sąsiadów z wagami

Prawdopodobieństwo oszustwa

$$P(F | ?) = \frac{1 + 2}{3 + 1 + 1 + 2 + 1}=\frac{3}{8}=37.5\%$$

Relacyjny klasyfikator sąsiadów

vertex_attr(network) ## Węzły są oznaczone jako 1 (oszustwo), 0 (nie oszustwo) lub NA (nieznane)
$name

"?" "B" "C" "D" "E" "A"

$isFraud

NA  1  0  1  0  0

edge_attr(network) ## Krawędzie mają wagę

$weight

2 3 1 1 1

Relacyjny klasyfikator sąsiadów

## subgraph(): tworzy podgraf zawierający węzły "?" i wszystkie węzły oszustów
subnetwork <- subgraph(network, v = c("?", "B", "D"))

## strength(): sumuje wagi krawędzi sąsiednich dla węzła "?"
prob_fraud <- strength(subnetwork, v = "?") / strength(network, v = "?")

prob_fraud

0.375

Czas na ćwiczenia!

Wykrywanie oszustw w R