सोशल नेटवर्क आधारित इनफेरेंस

R में Fraud Detection

Tim Verdonck

Professor Data Science at KU Leuven

सोशल नेटवर्क आधारित इनफेरेंस

लक्ष्य

अन्य नोड्स के व्यवहार के आधार पर किसी नोड का व्यवहार प्रेडिक्ट करें

नेटवर्क में मिसिंग नोड्स

सोशल नेटवर्क आधारित इनफेरेंस

चुनौतियाँ

डेटा स्वतंत्र नहीं हैं
- एक नोड का व्यवहार दूसरे नोड्स को प्रभावित कर सकता है
- नोड्स के बीच सहसंबद्ध व्यवहार
समष्टिगत इनफेरेंस: नोड्स पर किए इनफेरेंस एक-दूसरे को प्रभावित कर सकते हैं

नेटवर्क में मिसिंग नोड्स

नॉन-रिलेशनल बनाम रिलेशनल

नॉन-रिलेशनल मॉडल

केवल लोकल जानकारी उपयोग करता है
Logistic regression, decision trees, ...

रिलेशनल मॉडल

नेटवर्क की लिंक्स का उपयोग करता है
रिलेशनल नेighbor क्लासिफायर

रिलेशनल नेighbor क्लासिफायर

मान्यताएँ

होमोफिली: जुड़े नोड्स का एक ही क्लास में होने का झुकाव होता है ("guilt by association")
कुछ क्लास लेबल ज्ञात हैं

मिसिंग नोड

रिलेशनल नेighbor क्लासिफायर

फ्रॉड की प्रायिकता

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

मिसिंग नोड

वेट्स के साथ रिलेशनल नेighbor क्लासिफायर

फ्रॉड की प्रायिकता

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

वेटेड मिसिंग नोड

रिलेशनल नेighbor क्लासिफायर

vertex_attr(network) ## Nodes are labeled as 1 (fraud), 0 (not fraud), or NA (unknown)
$name

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

$isFraud

NA  1  0  1  0  0

edge_attr(network) ## The edges have a weight

$weight

2 3 1 1 1

रिलेशनल नेighbor क्लासिफायर

## subgraph(): create subgraph containing nodes "?" and all fraudulent nodes
subnetwork <- subgraph(network, v = c("?", "B", "D"))

## strength(): sum up the edge weights of the adjacent edges for node "?"
prob_fraud <- strength(subnetwork, v = "?") / strength(network, v = "?")

prob_fraud

0.375

अभ्यास करते हैं!

R में Fraud Detection