अन्य क्लस्टरिंग-आधारित फ्रॉड डिटेक्शन तरीके

Python में Fraud Detection

Charlotte Werger

Data Scientist

क्लस्टरिंग की कई विधियाँ होती हैं

फ्रॉड फ़्लैग करने के अलग तरीके: सबसे छोटे क्लस्टर का उपयोग

वास्तव में यह कुछ ऐसा दिखता है

DBSCAN बनाम K-means

क्लस्टरों की संख्या पहले से तय करने की ज़रूरत नहीं
क्लस्टर के भीतर बिंदुओं के बीच अधिकतम दूरी सेट करें
क्लस्टरों में न्यूनतम सैंपल संख्या तय करें
अजीब आकार वाले डेटा पर बेहतर परफॉर्मेंस
लेकिन... गणनात्मक लागत ज़्यादा

DBSCAN लागू करना

from sklearn.cluster import DBSCAN
db = DBSCAN(eps=0.5, min_samples=10, n_jobs=-1).fit(X_scaled)

# Get the cluster labels (aka numbers)
pred_labels = db.labels_

# Count the total number of clusters
n_clusters_ = len(set(pred_labels)) - (1 if -1 in pred_labels else 0)
# Print model results
print('Estimated number of clusters: %d' % n_clusters_)

Estimated number of clusters: 31

क्लस्टर आकार जाँचना

# Print model results
print("Silhouette Coefficient: %0.3f" % metrics.silhouette_score(X_scaled, pred_labels))

Silhouette Coefficient: 0.359

# Get sample counts in each cluster 
counts = np.bincount(pred_labels[pred_labels>=0])
print (counts)

[ 763  496  840  355 1086  676   63  306  560  134   28   18  262  128  332  22  
   22   13   31   38   36   28   14   12   30   10   11   10   21   10    5]

अभ्यास करते हैं!

Python में Fraud Detection