随机森林python反欺诈_WePay机器学习反欺诈实践：Python+scikit-learn+随机森林

摘要：在这篇博文中，WePay介绍了支付行业构建机器学习模型应对很难发现的shell selling欺诈的实践心得。WePay采用了流行的Python、scikit-learn开源学习机器学习工具以及随机森林算法。

【编者按】将机器学习算法用于金融领域的一个很好的突破口是反欺诈，在这篇博文中，WePay介绍了支付行业构建机器学习模型应对很难发现的shell selling欺诈的实践心得。WePay采用了流行的Python、scikit-learn开源学习机器学习工具以及随机森林算法。以下是文章内容：

什么是shell selling？

虽然欺诈几乎涉及各种领域，但相对于传统的买方或卖方仅仅担心对方是否是骗子，支付平台需要担心的是交易双方。如果其中任何一方存在信用诈骗，真正的持卡人发现和撤销费用，平台自身就要进行账单偿还。

shell selling是在这种情况下特别受关注的欺诈类型的一种。基本上，当交易双方都带有欺骗性质时，这种模式便会发生，比如说有一个犯罪分子用偷来的一个信用卡账户来支付两笔支付。

shell selling可能很难发现，因为这些欺骗者姿态很低调。他们通常没有多少“真正”的客户，所以你不能依靠用户反馈结果，用这种方式你会碰到更多传统的欺骗者。当一个商人在一个很短的时间段里获得了来自同一个IP的一堆付款时，这很明显，但主导这种欺诈罪行的情况往往比这还要复杂很多。他们常常使用各种各样的技术来隐藏自己的身份和逃避侦测。

由于shell selling是一个普遍的难题，而且很难被发现，所以我们决定建立一个机器学习算法来帮助抓住它。

构建机器学习算法注意事项

在WePay，我们采用Python建立整个机器学习的流程，采用流行的scikit-lea