This chapter will first give a formal definition of fraud. You will then learn how to detect anomalies in the type of payment methods used or the time these payments are made to flag suspicious transactions.

Introduction & Motivation

Imbalanced class distribution

Cost of not detecting fraud

Time features

Circular histogram

Suspicious timestamps

Frequency features

Frequency feature for one account

Frequency feature for multiple accounts

Recency features

Recency feature

Comparing frequency & recency

In the second chapter, you will learn how to use networks to fight fraud. You will visualize networks and use a sociology concept called homophily to detect fraudulent transactions and catch fraudsters.

Social network analytics

Analyzing a network

Overlapping edges

Fraud and social network analysis

Looking for homophily in a network

Visualizing node attributes

Social network based inference

Relational vs non-relational models

Relational neighbor classifier

Social network metrics

Degree, closeness & betweenness

Adding network features

Fortunately, fraud occurrences are rare. However, this means that you're working with imbalanced data, which if left as is will bias your detection models. In this chapter, you will tackle imbalance using over and under-sampling methods.

Gestire insiemi di dati sbilanciati

Come gestire lo sbilanciamento delle classi?

Visualizzare i pattern nei dati

Over-sampling casuale

Under-sampling casuale

Ridurre il gruppo di maggioranza

Combinare ROS e RUS

Over-sampling sintetico

Hai già incontrato SMOTE?

SMOTE

Dall'insieme di dati al modello di rilevamento

Crea il tuo modello di rilevamento

Il vero costo del fraud detection

Imbalanced class distributions

In this final chapter, you will learn about a surprising mathematical law used to detect suspicious occurrences. You will then use robust statistics to make your models even more bulletproof.

Digit analysis using Benford's law

Benford's Law for first digit

Conformity of census data

Benford's Law for fraud detection

Conformity to Benford's Law

Fire insurance claims

Payments data set

Detecting univariate outliers

Computing robust z-scores

Boxplot

Detecting multivariate outliers

Multivariate outlier detection

Digit analysis and robust statistics

Chapter 1 datasets

Chapter 2 datasets

Chapter 3 datasets

Chapter 4 datasets

L'Association of Certified Fraud Examiners stima che le frodi costino alle organizzazioni di tutto il mondo 3,7 trilioni di dollari all'anno e che un'azienda tipica perda il cinque percento dei ricavi annuali a causa delle frodi. Si prevede che i tentativi di frode aumenteranno ulteriormente in futuro, rendendo il rilevamento delle frodi fondamentale nella maggior parte dei settori. Questo corso mostra come l'apprendimento dei modelli di frode dai dati storici possa essere usato per contrastare le frodi. Vengono presentate alcune tecniche di statistica robusta e analisi delle cifre per individuare osservazioni insolite probabilmente associate a frodi. Due sfide principali nella costruzione di uno strumento supervisionato per il rilevamento delle frodi sono lo squilibrio o l’asimmetria dei dati e i costi diversi dei vari tipi di errata classificazione. Presentiamo tecniche per affrontare questi problemi e ci concentriamo su insiemi di dati artificiali e reali provenienti da un'ampia gamma di applicazioni legate alle frodi.

Unsupervised Learning in R

Supervised Learning in R: Classification

Impara a rilevare le frodi con rilevamento anomalie, visualizzazione reti sociali e analisi in R.

Gestire insiemi di dati sbilanciati

Create Your Free Account