预测信用卡欺诈

预测信用卡欺诈

一、项目简介

Credit Card Fraud Detection是一个典型的分类问题,欺诈分类的比例比较小,直接使用分类模型容易忽略。在实际应用场景下往往是保证一定准确率的情况下尽量提高召回率。一个典型案例是汽车制造行业,一旦发生一例汽车安全故障,同批次的车辆需要全部召回,造成了巨大的经济损失。

二、数据印象

详细分析过程见在线脚本

2.1. 简单数据分析

数据规模:中度规模(对于mac而言)。数据共284807条,后期算法选择需要注意复杂度。
数据特征:V1~V28是PCA的结果,而且进行了规范化,可以做一些统计上的特征学习;Amount字段和Time字段可以进行额外的统计学和bucket统计。
数据质量:无缺失值,数据规整,享受啊。
经验时间字段最好可以处理为月份、小时和日期,直接的秒数字段往往无意义。

2.2. 探索性数据分析
三、数据预处理

数据已经十分规整了,所以先直接使用基础模型来预测下数据。

from sklearn.linear_model import LogisticRegression
from sklearn.cross_validation import cross_val_score
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn import metrics

def train_lr(X, y, plot_roc=False):
    sss = StratifiedShuffleSplit(n_splits=10, test_size=0.2, random_state=10)
    lr = None
    for train_index, test_index in sss.split(X, y):
        X_train, X_test = X.iloc[train_index], X.iloc[test_index]
        y_train, y_test = y.iloc[train_index], y.iloc[test_index]
        lr = LogisticRegression(C=0.01, penalty='l1')
        lr.fit(X_train, y_train)
        y_predict = lr.predict(X_test)
        print "roc_auc:", metrics.roc_auc_score(y_test, y_predict)
        print "f1score:", metrics.f1_score(y_test, y_predict)
        print "precision:", metrics.precision_score(y_test, y_predict)
        print "recall:", metrics.precision_score(y_test, y_predict)
        print ""

        if plot_roc:
            fpr, tpr, thresholds = metrics.roc_curve(y_test, y_predict)
            roc_auc = metrics.auc(fpr,tpr)

            # Plot ROC
            plt.title('Receiver Operating Characteristic')
            plt.plot(fpr, tpr, 'b',label='AUC = %0.2f'% roc_auc)
            plt.legend(loc='lower right')
            plt.plot([0,1],[0,1],'r--')
            plt.xlim([-0.1,1.0])
            plt.ylim([-0.1,1.01])
    return lr

lr = train_lr(X, y, plot_roc=False)

L1规划化
L1规范化的模型

L2规范化
L2规范化的模型

Baseline基础模型:采用线性模型,利用L1的稀疏性,precisionrecall均可以达到0.85左右,roc_auc可以达到0.79左右。

基础模型结果

由上图可见:
- precision较大时波动波动比较大。recall大于0.8后,准确率下滑严重。
- AUC面积是0.97,后来根据参考文献3知,AUC大于0.92时之后比较难修正。

Baseline模型的评价metric
1. 收集更多的数据,不适合这个场景。
2. 改变评价标准:
- 使用混淆矩阵计算准确度和回收度。
- F1score
- Kappa
- ROC curves - sensitivity/specificity ratio

数据采样处理
- 收集等多数据:不适合这个场景。
- 过采样Over-sampling:当数据集较少时,主动添加少类别的数据;SMOT算法通过插值来实现。不适合本数据集。容易过拟合,运算时间长。
- 欠采样Under-sampling:当数据集足够大时,删除大类别的数据;集成方法EasyEnsemble/BalanceCascade通过将反例放在不同学习器中使用,从全局看不会丢失重要信息。

本案例数据量中等:选用欠采样+EasyEnsemble的方式进行数据处理。

使用im-balanced生成测试数据。

from imblearn.ensemble import EasyEnsemble

n_subsets = X.size * 2 / (us_X.size) - 1
ee = EasyEnsemble(n_subsets=n_subsets)
sample_X, sample_y = ee.fit_sample(X, y)

四、模型印象

模型:
选用easy_ensemble模型来优化。

具体实现代码见在线脚本

核心adboost代码如下:

def boost_data(X, y, weight):
    size = y.shape[0]
    index_list = np.linspace(0, size-1, size).astype(int)
    train_index = np.random.choice(index_list, size, p=weight)
    train_X = X[train_index, :]
    train_y = y[train_index]
    return train_X, train_y

def adboost(X, y, rounds):
    ensemble = EnsembleModel(rounds)

    # 初始化weight
    size = y.shape[0]
    weight = np.zeros(size)
    weight[y == 1] = float(1) / sum(y == 1)
    weight[y == 0] = float(1) / sum(y == 0)
    weight /= sum(weight)

    result = np.zeros(size)

    for i in xrange(rounds):
        train_X, train_y = boost_data(X, y, weight)
        dt = DecisionTreeClassifier()
        ensemble.trees[i] = dt

        dt.fit(train_X, train_y)
        y_predict = dt.predict(X)
#         print "sum:", sum(y_predict != y)
        train_error = sum(weight * (y_predict != y))
#         print "train:", train_error
        beta = (1 - train_error) / float(train_error)
        ensemble.alpha[i] = 0.5 * np.log(beta)
        weight *= np.exp(-ensemble.alpha[i] * (y -0.5) * (y - 0.5) * 4)
        weight /= sum(weight)

    ensemble.thresh = sum(ensemble.alpha) / 2
    return ensemble

结果如下:
easy_ensembel

对比普通的adboost数据
对比图

由上图可知,easy_ensemble提升了平滑度,但是AUC未有提升。

五、特征选择和特征学习

  • L1模型进行了嵌入式的特征选择,效果优于L2模型。在寻找解释性时会有帮助。

根据数据的统计特征,可以学习一些统计变量。
统计学习

增加如下的特征。

new_X = X_train.copy()
new_X['V1_'] = new_X.V1.map(lambda x: 1 if x < -3 else 0)
new_X['V2_'] = new_X.V2.map(lambda x: 1 if x > 2.5 else 0)
new_X['V3_'] = new_X.V3.map(lambda x: 1 if x < -4 else 0)
new_X['V4_'] = new_X.V4.map(lambda x: 1 if x > 2.5 else 0)

六、分析结果
使用SNE分析(常用于非线性可视化分析)来观看一次under_sample的结果。如下图所示
SNE图

由上图可知两种类别的数据是可以区分的,但是部分数据融合在一起,当追求recall较大时,将会误判大量数据。

七、迭代问题

可以优化的方向:
- 可以通过学习新的特征,将数据在新维度上拉开距离
- 在计算机能力允许的情况下,设置合适的round轮次来调参。

八、表述模型
- 根据模型的SNE图和数据性可知,数据质量是比较好的。
- easy_ensemble模型本身使用了adboost和bagging,每棵tree的复杂度不高,降低了bias;通过bagging,降低了variance。最终得到了较好的P-R图和AUC值。
- 通过LR模型的稀疏性特征值,可以制作出一个解释性报告。

参考
  1. GBM vs xgboost vs lightGBM
  2. imbalanced-learn
  3. Exploratory Undersampling for Class-Imbalance Learning
  • 1
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值