Hantera obalanserade datamängder

Bedrägeridetektering i R

Bart Baesens

Professor Data Science at KU Leuven

Obalanserade datamängder

Huvudutmaning: märka händelser som bedrägeri eller inte
- Stor utmaning för klassificeringsmetoder och avvikelsedetektion
Klassificeraren gynnar majoritetsklassen (= inget bedrägeri)
- stort klassificeringsfel för bedrägerifall
Klassificerare lär sig bättre från en balanserad fördelning

haystack_and_needle_v2

Obalanserade datamängder

Huvudutmaning : märka händelser som bedrägeri eller inte
- Stor utmaning för klassificeringsmetoder och avvikelsedetektion
Klassificeraren gynnar majoritetsklassen (= inget bedrägeri)
- stort klassificeringsfel för bedrägerifall
Klassificerare lär sig bättre från en balanserad fördelning
Möjlig lösning : ändra klassfördelningen med samplingmetoder

haystack_and_needle_v1

Ursprunglig obalans

Översampling av minoritetsklassen...

class_barplot_over

... eller undersampling av majoritetsklassen ...

class_barplot_under

... eller båda!

class_barplot_both

Resultat efter sampling...

class_barplot_result2

... eller så här

class_barplot_result1

Slumpmässig översampling (ROS)

orig_data_v0

orig_data_train_test

random_oversampling_v0

random_oversampling_v1

Slumpmässig översampling i praktiken

Datamängden Credit Card Fraud Detection på Kaggle
- $\sim$ 300K anonymiserade kreditkortstransaktioner märkta som bedrägliga eller äkta
Om data...
- Numeriska (anonymiserade) variabler: V1, V2, ... , V28
- Time = sekunder som förflutit mellan varje transaktion och den första i datamängden
- Amount = transaktionsbelopp
- Class = svarsvariabel: värdet 1 vid bedrägeri och 0 annars

creditcard_V2vsV1

Kontrollera obalansen

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

ovun.sample från paketet ROSE

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

Nu kör vi en övning!

Bedrägeridetektering i R