Dans les prochains exercices, vous allez examiner des données de transactions de paiement bancaires. Les opérations financières sont classées par type de dépense, ainsi que par montant dépensé. Vous disposez également de certaines caractéristiques clients, comme la tranche d’âge et le genre. Certaines transactions sont étiquetées comme frauduleuses ; vous prendrez ces étiquettes telles quelles et les utiliserez pour valider les résultats.

Lorsque vous utilisez des techniques d’apprentissage non supervisé pour détecter la fraude, l’objectif est de distinguer le normal de l’anormal (donc potentiellement frauduleux). En tant qu’analyste fraude, pour comprendre ce qui est « normal », vous devez bien connaître les données et leurs caractéristiques. Explorons les données dans cet exercice d’introduction.

Autres méthodes de détection de fraude par clustering

Create Your Free Account