Algorithmes de détection de fraude en action

Détection de fraude en Python

Charlotte Werger

Data Scientist

Détection de fraude traditionnelle avec des systèmes à règles

Inconvénients des systèmes à règles

Les systèmes à règles ont des limites :

Seuils fixes par règle pour déterminer la fraude
Résultats limités à oui/non
N'arrivent pas à capter l'interaction entre caractéristiques

Pourquoi utiliser le Machine Learning pour la détection de fraude ?

Les modèles de Machine Learning s'adaptent aux données et évoluent dans le temps
Exploitent toutes les données combinées plutôt qu'un seuil par caractéristique
Peuvent fournir un score plutôt qu'un oui/non
Offrent généralement un meilleur rendement et se combinent aux règles

Rappel sur les modèles de Machine Learning

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

Ce que vous ferez dans les prochains chapitres

Chapitre 2. Apprentissage supervisé : entraîner un modèle à partir d'étiquettes de fraude existantes
Chapitre 3. Apprentissage non supervisé : utiliser vos données pour cerner les comportements « suspects » sans étiquettes
Chapitre 4. Détection de fraude avec des données textuelles : voir comment enrichir vos modèles avec l'exploration de texte et le repérage de thèmes

Passons à la pratique !

Détection de fraude en Python