I det här kapitlet lär du dig om de typiska utmaningarna med bedrägeridetektering och hur du samplar om din data på ett smart sätt för att hantera problem med obalanserade datamängder.

Introduktion till bedrägeridetektering

Kontrollera förhållandet mellan bedrägeri och icke-bedrägeri

Visualisera dina data

Förbättra antalet lyckade identifieringar med hjälp av dataomsampling

Resamplingmetoder för obalanserade data

Tillämpa SMOTE

Jämför SMOTE med ursprungliga data

Algoritmer för bedrägeridentifiering i praktiken

Att upptäcka bedrägerier på det traditionella sättet

Använd maskininlärningsklassificering för att upptäcka bedrägerier

Logistisk regression kombinerat med SMOTE

Använda en pipeline

Introduktion och förberedelse av data

Nu när du känner till de viktigaste utmaningarna inom bedrägeridetektering är det dags att lära dig flagga bedrägliga transaktioner med övervakad inlärning. Du kommer att använda klassificerare, justera dem och jämföra dem för att hitta den mest effektiva modellen för bedrägeridetektering.

Översikt över klassificeringsmetoder

Naturlig träffsäkerhet

Random Forest-klassificerare – del 1

Random Forest-klassificerare – del 2

Utvärdering av prestanda

Prestandamått för RF-modellen

Rita kurvan för precision och återkallelse

Justera algoritmens vikter

Modelljusteringar

Anpassa din Random Forest för bedrägeridetektering

GridSearchCV för att hitta optimala parametrar

Modellresultat med GridSearchCV

Ensemblemetoder

Logistisk regression

Röstningsklassificerare

Justera vikter i Voting Classifier

Bedrägeridetektering med märkta data

Det här kapitlet fokuserar på att använda oövervakade inlärningstekniker för att detektera bedrägerier. Du segmenterar kunder och använder K-means-klustring samt andra klustringsalgoritmer för att hitta misstänkta mönster i din data.

Normalt kontra avvikande beteende

Utforska dina data

Kundsegmentering

Använda statistik för att definiera normalt beteende

Klustringsmetoder för att upptäcka bedrägeri

Skalning av data

K-means-klustring

Armbågsmetoden

Klassificera bedrägeri och icke-bedrägeri

Identifiera avvikelser

Kontrollera modellresultat

Andra klustringsmetoder för bedrägeridetektion

DBSCAN

Utvärdera de minsta klustren

Kontrollera resultaten

Bedrägeridetektering med omärkta data

I det här sista kapitlet använder du textdata, textutvinning och ämnesmodellering för att detektera bedrägligt beteende.

Använda textdata

Ordssökning med dataramar

Använda en lista med termer

Skapa en flagga

Textutvinning för att upptäcka bedrägeri

Ta bort stoppord

Rensa textdata

Ämnesmodellering för bedrägeridetektering

Skapa ordlista och korpus

LDA-modell

Flagga bedrägerier baserat på ämnen

Tolka ämnesmodellen

Hitta bedragare med hjälp av ämnesmodellering

Sammanfattning

Bedrägeridetektering med text

Chapter 1 datasets

Chapter 4 datasets

Chapter 3 datasets

Chapter 2 datasets

En typisk organisation förlorar uppskattningsvis 5 % av sin årliga intäkt till bedrägerier. I den här kursen lär du dig att bekämpa bedrägerier med hjälp av data. Du lär dig bland annat att tillämpa övervakade inlärningsalgoritmer för att upptäcka bedrägligt beteende som liknar tidigare fall, samt oövervakade inlärningsmetoder för att hitta nya typer av bedrägeriaktiviteter. Vid bedrägerianalys arbetar man dessutom ofta med starkt obalanserade datamängder när man klassificerar bedrägerier mot icke-bedrägerier – och under kursens gång får du lära dig tekniker för att hantera det. Kursen kombinerar tekniska och teoretiska insikter och visar dig praktiskt hur du implementerar bedrägeridetekteringsmodeller. Du får också tips och råd från verkliga erfarenheter som hjälper dig att undvika vanliga misstag inom bedrägerianalys.

Unsupervised Learning in Python

Supervised Learning with scikit-learn

Lär dig upptäcka bedrägeri med Python genom att använda obalanserad data, övervakad inlärning och K-means.

Textutvinning för att upptäcka bedrägeri

Create Your Free Account