ML信用卡欺诈检测详细示例

2021年5月2日15:59:00 发表评论 805 次浏览

面临的挑战是识别欺诈性的信用卡交易, 以便不向信用卡公司的客户收取未购买商品的费用。

信用卡欺诈检测所涉及的主要挑战是：

每天都会处理大量数据, 并且模型构建必须足够快才能及时响应骗局。
数据不平衡, 即大多数交易(99.8％)不是欺诈性的, 这使得很难发现欺诈性的
数据可用性, 因为数据大部分是私有的。
错误分类的数据可能是另一个主要问题, 因为并非每个欺诈性交易都会被捕获和报告。
骗子针对模型使用的自适应技术。

如何应对这些挑战？

使用的模型必须足够简单和快速, 以检测异常并将其尽快分类为欺诈交易。
可以通过适当使用一些方法来解决不平衡问题, 我们将在下一段中讨论
为了保护用户的隐私, 可以减小数据的维数。
至少对于训练模型, 必须采用更值得信赖的来源来仔细检查数据。
我们可以使模型简单易懂, 以便骗子通过一些调整就可以适应该模型, 然后就可以启动并运行新模型了。

在去代码之前，它被要求在朱庇特笔记本上工作。如果没有安装在您的机器上，你可以使用谷歌colab（https://colab.research.google.com/）。

你可以从此链接下载数据集（https://www.kaggle.com/mlg-ulb/creditcardfraud/download）

如果链接不工作，请转到此链接并登录kaggle下载数据集（https://www.kaggle.com/mlg-ulb/creditcardfraud）。

代码：导入所有必需的库

# import the necessary packages
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import gridspec

代码：加载数据

# Load the dataset from the csv file using pandas
# best way is to mount the drive on colab and 
# copy the path for the csv file
data = pd.read_csv( "credit.csv" )

代码：了解数据

# Grab a peek at the data
data.head()

代码：描述数据

# Print the shape of the data
# data = data.sample(frac = 0.1, random_state = 48)
print (data.shape)
print (data.describe())

输出：

(284807, 31)
                Time            V1  ...         Amount          Class
count  284807.000000  2.848070e+05  ...  284807.000000  284807.000000
mean    94813.859575  3.919560e-15  ...      88.349619       0.001727
std     47488.145955  1.958696e+00  ...     250.120109       0.041527
min         0.000000 -5.640751e+01  ...       0.000000       0.000000
25%     54201.500000 -9.203734e-01  ...       5.600000       0.000000
50%     84692.000000  1.810880e-02  ...      22.000000       0.000000
75%    139320.500000  1.315642e+00  ...      77.165000       0.000000
max    172792.000000  2.454930e+00  ...   25691.160000       1.000000

[8 rows x 31 columns]

代码：数据不平衡

是时候解释我们正在处理的数据了。

# Determine number of fraud cases in dataset
fraud = data[data[ 'Class' ] = = 1 ]
valid = data[data[ 'Class' ] = = 0 ]
outlierFraction = len (fraud) /float ( len (valid))
print (outlierFraction)
print ( 'Fraud Cases: {}' . format ( len (data[data[ 'Class' ] = = 1 ])))
print ( 'Valid Transactions: {}' . format ( len (data[data[ 'Class' ] = = 0 ])))

只有0.17%的欺诈性交易排除了所有的交易。数据高度不平衡。让我们先应用我们的模型而不对其进行平衡, 如果我们不能获得很好的准确性, 那么我们可以找到一种平衡该数据集的方法。但是首先, 让我们在没有模型的情况下实施模型, 并且仅在需要时才平衡数据。

代码：打印欺诈性交易的金额明细

print ("Amount details of the fraudulent transaction")
fraud.Amount.describe()

输出：

Amount details of the fraudulent transaction
count     492.000000
mean      122.211321
std       256.683288
min         0.000000
25%         1.000000
50%         9.250000
75%       105.890000
max      2125.870000
Name: Amount, dtype: float64

代码：打印正常交易的金额明细

print ("details of valid transaction")
valid.Amount.describe()

输出：

Amount details of valid transaction
count    284315.000000
mean         88.291022
std         250.105092
min           0.000000
25%           5.650000
50%          22.000000
75%          77.050000
max       25691.160000
Name: Amount, dtype: float64

从中我们可以清楚地注意到, 欺诈者的平均货币交易更多。这使得这个问题至关重要。

代码：绘制相关矩阵

相关矩阵以图形方式为我们提供了特征之间如何相互关联的想法, 并且可以帮助我们预测与预测最相关的特征是什么。

# Correlation matrix
corrmat = data.corr()
fig = plt.figure(figsize = ( 12 , 9 ))
sns.heatmap(corrmat, vmax = . 8 , square = True )
plt.show()

在HeatMap中，我们可以清楚地看到，大多数特征与其他特征无关，但有些特征彼此之间要么呈正相关，要么呈负相关。例如，V2和V5与称为Amount的特性高度负相关。我们也看到了V20和Amount的一些相关性。这让我们对可用的数据有了更深层次的理解。

代码：分隔X和Y值

将数据分为输入参数和输出值格式

# dividing the X and the Y from the dataset
X = data.drop([ 'Class' ], axis = 1 )
Y = data[ "Class" ]
print (X.shape)
print (Y.shape)
# getting just the values for the sake of processing 
# (its a numpy array with no columns)
xData = X.values
yData = Y.values

输出：

(284807, 30)
(284807, )

训练和测试数据分歧

我们将数据集分为两个主要组。一个用于训练模型, 另一个用于测试我们训练后的模型的性能。

# Using Skicit-learn to split data into training and testing sets
from sklearn.model_selection import train_test_split
# Split the data into training and testing sets
xTrain, xTest, yTrain, yTest = train_test_split(
         xData, yData, test_size = 0.2 , random_state = 42 )

代码：使用skicit学习建立随机森林模型

# Building the Random Forest Classifier (RANDOM FOREST)
from sklearn.ensemble import RandomForestClassifier
# random forest model creation
rfc = RandomForestClassifier()
rfc.fit(xTrain, yTrain)
# predictions
yPred = rfc.predict(xTest)

代码：建立各种评估参数

# Evaluating the classifier
# printing every score of the classifier
# scoring in anything
from sklearn.metrics import classification_report, accuracy_score 
from sklearn.metrics import precision_score, recall_score
from sklearn.metrics import f1_score, matthews_corrcoef
from sklearn.metrics import confusion_matrix
  
n_outliers = len (fraud)
n_errors = (yPred ! = yTest). sum ()
print ( "The model used is Random Forest classifier" )
  
acc = accuracy_score(yTest, yPred)
print ( "The accuracy is {}" . format (acc))
  
prec = precision_score(yTest, yPred)
print ( "The precision is {}" . format (prec))
  
rec = recall_score(yTest, yPred)
print ( "The recall is {}" . format (rec))
  
f1 = f1_score(yTest, yPred)
print ( "The F1-Score is {}" . format (f1))
  
MCC = matthews_corrcoef(yTest, yPred)
print ( "The Matthews correlation coefficient is{}" . format (MCC))

输出：

The model used is Random Forest classifier
The accuracy is  0.9995611109160493
The precision is 0.9866666666666667
The recall is 0.7551020408163265
The F1-Score is 0.8554913294797689
The Matthews correlation coefficient is0.8629589216367891

代码：可视化混淆矩阵

# printing the confusion matrix
LABELS = [ 'Normal' , 'Fraud' ]
conf_matrix = confusion_matrix(yTest, yPred)
plt.figure(figsize = ( 12 , 12 ))
sns.heatmap(conf_matrix, xticklabels = LABELS, yticklabels = LABELS, annot = True , fmt = "d" );
plt.title( "Confusion matrix" )
plt.ylabel( 'True class' )
plt.xlabel( 'Predicted class' )
plt.show()

输出：

与其他算法进行比较, 而无需处理数据不平衡问题。