Det här kapitlet börjar med en formell definition av bedrägeri. Du lär dig sedan att identifiera avvikelser i vilka betalningsmetoder som används och när betalningarna görs, för att flagga misstänkta transaktioner.

Introduktion och motivation

Obalanserad klassfördelning

Kostnaden för att missa bedrägerier

Tidssärdrag

Cirkulärt histogram

Misstänkta tidsstämplar

Frekvensegenskaper

Frekvenssärdrag för ett konto

Frekvensattribut för flera konton

Recency-särdrag

Aktualitetssärdrag

Jämföra frekvens och aktualitet

I det andra kapitlet lär du dig att använda nätverk för att bekämpa bedrägerier. Du visualiserar nätverk och tillämpar ett sociologiskt begrepp kallat homofili för att identifiera bedrägliga transaktioner och avslöja bedragare.

Analys av sociala nätverk

Analysera ett nätverk

Överlappande kanter

Bedrägeri och sociala nätverksanalyser

Leta efter homofili i ett nätverk

Visualisera nodattribut

Slutledning baserad på sociala nätverk

Relationsmodeller och icke-relationsmodeller

Relationsbaserad grannklassificerare

Mätvärden för sociala nätverk

Grad, nearhet & mellanlägescentralitet

Lägga till nätverkssärdrag

Som tur är förekommer bedrägerier sällan. Det innebär dock att du arbetar med obalanserade data, vilket kan snedvrida dina detekteringsmodeller om det inte åtgärdas. I det här kapitlet hanterar du obalansen med hjälp av metoder för över- och undersampling.

Hantera obalanserade datamängder

Hur hanterar man klassimbalans?

Visualisera mönster i data

Slumpmässig översampling

Slumpmässigt underurval

Krympa majoritetsgruppen

Kombinera ROS och RUS

Syntetisk översampling

Har du lärt känna SMOTE?

SMOTE

Från datamängd till detektionsmodell

Bygg din egen detektionsmodell

Den verkliga kostnaden för bedrägeridetektering

Obalanserade klassfördelningar

I det här sista kapitlet lär du dig om en överraskande matematisk lag som används för att identifiera misstänkta förekomster. Du använder sedan robust statistik för att göra dina modeller ännu mer tillförlitliga.

Sifferanalys med Benfords lag

Benfords lag för första siffran

Överensstämmelse med folkräkningsdata

Benfords lag för bedrägeridetektering

Överensstämmelse med Benfords lag

Brandförsäkringskrav

Datamängd med betalningar

Identifiera univariata outliers

Beräkna robusta z-värden

Lådagram

Detektera multivariata avvikelser

Multivariatavvikelsedetektering

Sifferanalys och robust statistik

Chapter 3 datasets

Chapter 1 datasets

Chapter 4 datasets

Chapter 2 datasets

Association of Certified Fraud Examiners uppskattar att bedrägerier kostar organisationer världen över 3,7 biljoner dollar om året och att ett typiskt företag förlorar fem procent av sin årliga omsättning på grund av bedrägerier. Bedrägeriförsök väntas dessutom öka ytterligare framöver, vilket gör bedrägeridetektering allt viktigare i de flesta branscher. Den här kursen visar hur inlärning av bedrägerimonster från historiska data kan användas för att bekämpa bedrägerier. Några tekniker från robust statistik och sifferanalys presenteras för att identifiera ovanliga observationer som sannolikt är kopplade till bedrägeri. Två centrala utmaningar när man bygger ett övervakat verktyg för bedrägeridetektering är obalansen eller snedfördelningen i data samt de varierande kostnaderna för olika typer av felklassificering. Vi presenterar tekniker för att hantera dessa problem och fokuserar på artificiella och verkliga datamängder från en rad olika bedrägeriområden.

Unsupervised Learning in R

Supervised Learning in R: Classification

Lär dig upptäcka bedrägeri med avvikelsedetektion, nätverksvisualisering och robust statistik i R.

Identifiera univariata outliers

Create Your Free Account