Di bab ini, Anda akan mempelajari tantangan umum yang terkait dengan deteksi kecurangan, serta cara melakukan resampling data Anda secara cerdas untuk mengatasi masalah data yang tidak seimbang.

Pengantar deteksi kecurangan

Memeriksa rasio penipuan terhadap non-penipuan

Memplot data Anda

Meningkatkan deteksi yang berhasil dengan pensampelan ulang data

Metode resampling untuk data tidak seimbang

Menerapkan SMOTE

Bandingkan SMOTE dengan data asli

Algoritme deteksi kecurangan dalam praktik

Menjelajahi cara tradisional menangkap kecurangan

Menggunakan klasifikasi ML untuk menangkap kecurangan

Regresi logistik dipadukan dengan SMOTE

Menggunakan pipeline

Pendahuluan dan menyiapkan data Anda

Sekarang setelah Anda memahami tantangan utama dalam deteksi kecurangan, Anda akan belajar bagaimana menandai transaksi curang dengan supervised learning. Anda akan menggunakan classifier, menyetelnya, dan membandingkannya untuk menemukan model deteksi kecurangan yang paling efisien.

Tinjauan metode klasifikasi

Tingkat hit alami

Klasifikator Random Forest - bagian 1

Klasifikator Random Forest - bagian 2

Evaluasi kinerja

Metrik kinerja untuk model RF

Memplot Precision-Recall Curve

Menyesuaikan bobot algoritme Anda

Penyesuaian model

Menyesuaikan Random Forest Anda untuk deteksi kecurangan

GridSearchCV untuk menemukan parameter optimal

Hasil model menggunakan GridSearchCV

Metode ensemble

Regresi Logistik

Voting Classifier

Sesuaikan bobot dalam Voting Classifier

Deteksi kecurangan menggunakan data berlabel

Bab ini berfokus pada penggunaan teknik unsupervised learning untuk mendeteksi kecurangan. Anda akan melakukan segmentasi pelanggan, menggunakan pengelompokan K-means dan algoritma klaster lainnya untuk menemukan kejadian mencurigakan dalam data Anda.

Perilaku normal versus abnormal

Menjelajahi data Anda

Segmentasi pelanggan

Menggunakan statistik untuk mendefinisikan perilaku normal

Metode clustering untuk mendeteksi kecurangan

Menskalakan data

Pengelompokan K-means

Metode Elbow

Menetapkan penipuan versus bukan penipuan

Mendeteksi outlier

Memeriksa hasil model

Metode pendeteksian kecurangan lainnya dengan clustering

DBSCAN

Menilai klaster terkecil

Memeriksa hasil

Deteksi kecurangan menggunakan data tanpa label

Di bab terakhir ini, Anda akan menggunakan data teks, penambangan teks, dan pemodelan topik untuk mendeteksi perilaku curang.

Menggunakan data teks

Pencarian kata dengan dataframe

Menggunakan daftar istilah

Membuat flag

Text mining untuk mendeteksi kecurangan

Menghapus stopword

Membersihkan data teks

Pemodelan topik pada kecurangan

Buat dictionary dan corpus

Model LDA

Menandai kecurangan berdasarkan topik

Menafsirkan model topik

Menemukan pelaku kecurangan berdasarkan topik

Ringkasan

Deteksi kecurangan menggunakan teks

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

Sebuah organisasi biasanya kehilangan sekitar 5% dari pendapatan tahunannya akibat kecurangan. Dalam kursus ini, Anda akan mempelajari cara memerangi kecurangan dengan menggunakan data. Misalnya, Anda akan belajar menerapkan algoritma supervised learning untuk mendeteksi perilaku curang yang mirip dengan kasus sebelumnya, serta metode unsupervised learning untuk menemukan jenis aktivitas kecurangan baru. Selain itu, dalam analitik kecurangan Anda sering berhadapan dengan himpunan data yang sangat tidak seimbang saat mengklasifikasikan antara kecurangan dan bukan kecurangan, dan sepanjang kursus ini Anda akan mempelajari beberapa teknik untuk menanganinya. Kursus ini memadukan wawasan teknis dan teoretis serta menunjukkan secara langsung cara mengimplementasikan model deteksi kecurangan secara praktis. Selain itu, Anda akan mendapatkan kiat dan saran dari pengalaman nyata untuk membantu Anda mencegah kesalahan umum dalam analitik kecurangan.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Pelajari deteksi penipuan dengan Python: resampling data, pembelajaran terawasi, segmentasi, K-means.

Ringkasan

Create Your Free Account