Att upptäcka bedrägerier på det traditionella sättet

I den här övningen ska du försöka hitta bedrägerifall i vårt kreditkortsdataset på det "gamla sättet". Först definierar du tröskelvärdena med hjälp av vanlig statistik för att skilja bedrägerier från icke-bedrägerier. Sedan använder du dessa tröskelvärden på dina särdrag för att upptäcka bedrägerier. Det här är ett vanligt tillvägagångssätt inom team som arbetar med bedrägerianalys.

Statistiska tröskelvärden bestäms ofta genom att titta på medelvärden för observationerna. Börja med att undersöka om särdragets medelvärden skiljer sig åt mellan bedrägerifall och icke-bedrägerifall. Använd sedan den informationen för att skapa rimliga tröskelvärden. Slutligen kontrollerar du hur väl det här fungerar för att upptäcka bedrägerier.

pandas har redan importerats som pd.

Den här övningen är en del av kursen

Bedrägeridetektering i Python

Visa kurs

Övningsinstruktioner

Använd groupby() för att gruppera df på Class och beräkna medelvärdet för särdragen.
Skapa villkoret att V1 är mindre än -3 och V3 är mindre än -5 för att flagga bedrägerifall.
Använd funktionen crosstab från pandas som prestationsmått för att jämföra de flaggade bedrägerierna med de faktiska bedrägerierna.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Get the mean for each group
____.____(____).mean()

# Implement a rule for stating which cases are flagged as fraud
df['flag_as_fraud'] = np.where(np.logical_and(______), 1, 0)

# Create a crosstab of flagged fraud cases versus the actual fraud cases
print(____(df.Class, df.flag_as_fraud, rownames=['Actual Fraud'], colnames=['Flagged Fraud']))

Redigera och kör kod