असंतुलित डेटासेट से निपटना

R में Fraud Detection

Bart Baesens

Professor Data Science at KU Leuven

असंतुलित डेटा सेट

मुख्य चुनौती: घटनाओं को fraud या non-fraud लेबल करें
- वर्गीकरण और anomaly detection तकनीकों के लिए बड़ी चुनौती
Classifier बहुमत क्लास (= no-fraud) को तरजीह देता है
- fraud मामलों पर बड़ा classification error
Classifiers balanced वितरण से बेहतर सीखते हैं

भुस्सी के ढेर में सुई

असंतुलित डेटा सेट

मुख्य चुनौती: घटनाओं को fraud या non-fraud लेबल करें
- वर्गीकरण और anomaly detection तकनीकों के लिए बड़ी चुनौती
Classifier बहुमत क्लास (= no-fraud) को तरजीह देता है
- fraud मामलों पर बड़ा classification error
Classifiers balanced वितरण से बेहतर सीखते हैं
संभावित समाधान: sampling methods से class distribution बदलें

भुस्सी के ढेर में सुई

मूल असंतुलन

अल्पसंख्यक क्लास का over-sampling...

class_barplot_over

... या बहुमत क्लास का under-sampling ...

class_barplot_under

... या दोनों!

class_barplot_both

Sampling के बाद परिणाम...

class_barplot_result2

... या ऐसा भी

class_barplot_result1

Random over-sampling (ROS)

orig_data_v0

orig_data_train_test

random_oversampling_v0

random_oversampling_v1

व्यवहार में random over-sampling

Kaggle पर Credit Card Fraud Detection डेटासेट
- $\sim$ 300K anonymized क्रेडिट कार्ड ट्रांसफर, fraud या genuine के रूप में लेबल
डेटा के बारे में...
- Numerical (anonymized) वैरिएबल: V1, V2, ... , V28
- Time = हर ट्रांसफर और डेटासेट की पहली ट्रांसफर के बीच बीते सेकंड
- Amount = लेन-देन राशि
- Class = response वैरिएबल: fraud पर मान 1, अन्यथा 0

creditcard_V2vsV1

असंतुलन जाँचें

head(creditcard)

  Time         V1         V2  ...            V27         V28 Amount Class
1    0  1.1918571  0.2661507  ...  -0.0089830991  0.01472417   2.69     0
2   10  0.3849782  0.6161095  ...   0.0424724419 -0.05433739   9.99     0
3   12 -0.7524170  0.3454854  ...  -0.1809975001  0.12939406  15.99     0
4   17  0.9624961  0.3284610  ...   0.0163706433 -0.01460533  34.09     0
5   34  0.2016859  0.4974832  ...   0.1427572469  0.21923761   9.99     0

prop.table(table(creditcard$Class))

   0    1 
0.98 0.02

ROSE पैकेज का ovun.sample

n_legit <- 24108
new_frac_legit <- 0.50
new_n_total <- n_legit / new_frac_legit ## = 24108 / 0.50 = 48216

library(ROSE)
oversampling_result <- ovun.sample(formula = Class ~ ., data = creditcard,
                                   method = "over",
                                   N = new_n_total,
                                   seed = 2018)

oversampled_credit <- oversampling_result$data
prop.table(table(oversampled_credit$Class))

  0   1 
0.5 0.5

creditcard_V2vsV1_oversampled

अभ्यास करते हैं!

R में Fraud Detection