Supraesantionare sintetică

Detecția fraudelor în R

Sebastiaan Höppner

PhD researcher in Data Science at KU Leuven

Supraesantionare cu 'SMOTE'

SMOTE : Synthetic Minority Oversampling TEchnique (Chawla et al., 2002)
Supraesantionarea clasei minoritare (= fraudă) prin crearea de cazuri sintetice

dim(transfer_data)

1000    4

head(transfer_data)

  isFraud    amount   balance     ratio
1   false  528.6840 1529.4732 0.3456641
2   false  184.0193  836.3509 0.2200265
3   false 1885.8024 2984.0684 0.6319568
4   false  732.0286 1248.7217 0.5862224

prop.table(table(transfer_data$isFraud))

 false  true
  0.99  0.01

smote_scatterplot_1

smote_scatterplot_2

SMOTE

Să selectăm un caz de fraudă X (Tim)

smote_zoomin

SMOTE - pasul 1

Pasul 1

Găsiți cei mai apropiați K vecini frauduloși ai lui X (Tim)

e.g. K = 4

smote_step1

SMOTE - pasul 2

Pasul 2

Alegeți aleatoriu un vecin apropiat al lui Tim

e.g. X4 (Bart)

smote_step2

SMOTE - pasul 3

Pasul 3 : creați un eșantion sintetic

synthetic_case_1

SMOTE - pasul 3

Pasul 3 : creați un eșantion sintetic

synthetic_case_2

SMOTE - pasul 3

Pasul 3 : creați un eșantion sintetic

synthetic_case_3

SMOTE - pasul 3

smote_step3

SMOTE - pasul 4

Pasul 4

Repetați pașii 1-3 pentru fiecare caz de fraudă de dup_size ori

e.g. dup_size = 10

smote_step3

library(smotefamily)
smote_output = SMOTE(X = transfer_data[, -1],
                       target = transfer_data$isFraud,
                       K = 4,
                       dup_size = 10)

oversampled_data = smote_output$data

table(oversampled_data$isFraud)

false  true
  990   110

prop.table(table(oversampled_data$isFraud))

false  true
  0.9   0.1

smote_result

Să exersăm!

Detecția fraudelor în R