Ce chapitre commence par donner une définition formelle de la fraude. Vous apprendrez ensuite à détecter des anomalies dans le type de moyens de paiement utilisés ou dans le moment où ces paiements sont effectués, afin d’identifier des transactions suspectes.

Introduction et motivations

Répartition déséquilibrée des classes

Coût de la non-détection de fraude

Caractéristiques temporelles

Histogramme circulaire

Horodatages suspects

Caractéristiques de fréquence

Variable de fréquence pour un compte

Caractéristique de fréquence pour plusieurs comptes

Variables de récence

Variable de récence

Comparer fréquence et récence

Introduction et motivation

Dans le deuxième chapitre, vous apprendrez à utiliser les réseaux pour lutter contre la fraude. Vous visualiserez des réseaux et utiliserez un concept de sociologie appelé homophilie pour détecter des transactions frauduleuses et démasquer les fraudeurs.

Analyse des réseaux sociaux

Analyser un réseau

Arêtes superposées

Fraude et analyse des réseaux sociaux

Rechercher l’homophilie dans un réseau

Visualiser les attributs des nœuds

Inférence basée sur les réseaux sociaux

Modèles relationnels vs non relationnels

Classifieur par voisinage relationnel

Mesures des réseaux sociaux

Degré, proximité et intermédiaire

Ajouter des variables de réseau

Heureusement, les cas de fraude sont rares. Cependant, cela implique que vous travaillez avec des données déséquilibrées qui, si elles restent en l’état, biaiseront vos modèles de détection. Dans ce chapitre, vous traiterez le déséquilibre à l’aide de méthodes de suréchantillonnage et de sous-échantillonnage.

Gérer des jeux de données déséquilibrés

Comment gérer un déséquilibre entre classes ?

Visualiser les motifs dans les données

Suréchantillonnage aléatoire

Sous-échantillonnage aléatoire

Réduire le groupe majoritaire

Combiner ROS et RUS

Suréchantillonnage synthétique

Connaissez-vous SMOTE ?

SMOTE

Du jeu de données au modèle de détection

Créez votre propre modèle de détection

Coût réel de la détection de fraude

Dans ce dernier chapitre, vous découvrirez une loi mathématique surprenante utilisée pour repérer des occurrences suspectes. Vous utiliserez ensuite des statistiques robustes pour rendre vos modèles encore plus résistants.

Analyse des chiffres avec la loi de Benford

Loi de Benford pour le premier chiffre

Conformité des données du recensement

La loi de Benford pour la détection de fraude

Conformité à la loi de Benford

Sinistres d’assurance incendie

Jeu de données sur les paiements

Détecter des valeurs aberrantes univariées

Calcul de z-scores robustes

Boîte à moustaches

Détecter les valeurs aberrantes multivariées

Détection d'observations aberrantes multivariées

Analyse des chiffres et statistiques robustes

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

L’Association of Certified Fraud Examiners estime que la fraude coûte aux organisations du monde entier 3,7 billions de dollars par an et qu’une entreprise type perd cinq pour cent de son chiffre d’affaires annuel à cause de la fraude. Les tentatives de fraude devraient encore augmenter à l’avenir, rendant la détection de fraude indispensable dans la plupart des secteurs. Ce cours montre comment l’apprentissage de schémas de fraude à partir de données historiques permet de lutter contre la fraude. Certaines techniques de statistiques robustes et d’analyse des chiffres sont présentées pour repérer des observations inhabituelles probablement liées à des fraudes. Deux défis majeurs lors de la création d’un outil supervisé de détection de fraude sont le déséquilibre ou la dissymétrie des données, et les coûts variés selon les types d’erreurs de classification. Nous présentons des techniques pour résoudre ces problèmes et nous concentrons sur des jeux de données artificiels et réels issus d’un large éventail d’applications de fraude.

Unsupervised Learning in R

Supervised Learning in R: Classification

Apprenez à détecter la fraude avec la détection d'anomalies, la visualisation et l'analyse en R.

Détection de fraude en R

Apprenez à détecter les fraudes à l'aide des analyses dans R.

Professor Data Science at KU Leuven

Detecting univariate outliers

Outliers

Outlier detection

Example

Robust statistics

Estimators of location: mean & median

Estimators of scale: sd

Estimators of scale: mad, IQR

Robust z-scores for outlier detection

Boxplot

Example: length of stay (LOS) in hospital

Adjusted boxplot

Example LOS: adjusted boxplot

Example LOS: boxplot vs adjusted boxplot

Let's practice!

Analyse des chiffres et statistiques robustes - Détecter des valeurs aberrantes univariées

Détecter des valeurs aberrantes univariées

Create Your Free Account