Алгоритмы обнаружения мошенничества в действии

Обнаружение мошенничества на Python

Charlotte Werger

Data Scientist

Традиционное обнаружение мошенничества с помощью систем на основе правил

Недостатки систем на основе правил

Системы на основе правил имеют свои ограничения:

Фиксированные пороговые значения для определения мошенничества
Результат ограничен значениями «да» или «нет»
Не учитывают взаимодействие между признаками

Зачем использовать машинное обучение для обнаружения мошенничества?

Модели машинного обучения адаптируются к данным и могут изменяться со временем
Используют все данные совместно, а не пороговое значение для каждого признака
Выдают оценку, а не просто «да» или «нет»
Как правило, показывают лучшие результаты и могут сочетаться с правилами

Краткое повторение: модели машинного обучения

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

Что вас ждёт в следующих главах

Глава 2. Обучение с учителем: обучение модели на основе существующих меток мошенничества
Глава 3. Обучение без учителя: определение «подозрительного» поведения без меток
Глава 4. Обнаружение мошенничества по текстовым данным: дополнение моделей с помощью текстового анализа и тематического моделирования

Давайте потренируемся!

Обнаружение мошенничества на Python