本章你將認識詐欺偵測常見的挑戰，並學習如何以聰明的方式重新取樣，來因應不平衡資料的問題。

詐欺偵測導論

檢視詐欺與非詐欺的比例

繪製你的資料

利用資料重取樣提升偵測成功率

處理不平衡資料的重抽樣方法

套用 SMOTE

比較 SMOTE 與原始資料

實作詐欺偵測演算法

用傳統方式探索如何抓出詐欺

用 ML 分類來抓出詐欺

結合 SMOTE 的邏輯斯迴歸

使用 pipeline

導論與資料準備

既然你已熟悉詐欺偵測的主要挑戰，接下來要學習如何用監督式學習為交易加上可疑標記。你會使用分類器、調整參數，並進行比較，以找出最有效率的詐欺偵測模型。

分類方法複習

自然命中率

Random Forest Classifier－第 1 部分

Random Forest 分類器 - 第 2 部分

效能評估

RF 模型的效能指標

繪製 Precision-Recall 曲線

調整演算法權重

模型調整

調整 Random Forest 以進行詐欺偵測

使用 GridSearchCV 尋找最佳參數

使用 GridSearchCV 的模型結果

集成方法

Logistic Regression

Voting Classifier

在 Voting Classifier 中調整權重

使用有標籤資料的詐欺偵測

本章著重於運用非監督式學習技術來偵測詐欺。你會進行客戶分群，使用 K-means 分群與其他分群演算法，在資料中找出可疑的異常。

正常行為與異常行為

探索你的資料

客戶分群

用統計量定義正常行為

用分群方法偵測詐欺

縮放資料

K-means 分群

Elbow method

標示為詐欺與非詐欺

偵測離群值

檢查模型結果

其他分群式詐欺偵測方法

DBSCAN

評估最小的叢集

檢查結果

使用無標籤資料的詐欺偵測

在最後一章，你將使用文字資料、文字探勘與主題模型來偵測詐欺行為。

使用文字資料

使用 DataFrame 進行關鍵字搜尋

使用詞彙清單

建立旗標

用文字探勘偵測詐欺

移除停用詞

清理文字資料

用主題模型分析詐騙

建立 dictionary 與 corpus

LDA 模型

根據主題標記詐騙

詮釋主題模型

用主題找出詐騙者

重點回顧

使用文字資料的詐欺偵測

Chapter 1 datasets

Chapter 4 datasets

Chapter 3 datasets

Chapter 2 datasets

一般組織每年估計會因詐欺流失約 5% 的營收。這門課會教你如何用資料來對抗詐欺。例如，你會學到如何套用監督式學習演算法，找出與過去相似的詐欺行為，以及使用非監督式學習方法，發現全新的詐欺型態。此外，在詐欺分析中，將詐欺與非詐欺做分類時，常會面臨高度不平衡的資料集；你將學到一些實務技巧來妥善處理這種情況。本課程結合理論與技術，並以動手實作的方式示範如何建立與部署詐欺偵測模型。你也會獲得源自實務經驗的建議與提醒，幫助你避免在詐欺分析中常見的錯誤。

Unsupervised Learning in Python

Supervised Learning with scikit-learn

學習使用Python透過重抽樣不平衡數據、監督學習、分群、K-means、資料探勘和主題建模來檢測欺詐。

利用資料重取樣提升偵測成功率

Create Your Free Account