本章将介绍欺诈检测中典型的挑战，并讲解如何通过更智能的重采样方式来应对数据不平衡问题。

欺诈检测导论

检查欺诈与非欺诈的比例

可视化您的数据

通过数据重采样提升检测成功率

处理类别不平衡的数据重采样方法

应用 SMOTE

将 SMOTE 与原始数据进行比较

实战演示：欺诈检测算法

探索传统的反欺诈方法

使用机器学习分类来捕捉欺诈

将 Logistic Regression 与 SMOTE 结合

使用管道

导论与数据准备

在了解了欺诈检测的主要挑战之后，您将学习如何用监督学习为交易打上欺诈标记。您将使用分类器，对其进行调整并相互比较，以找到最有效的欺诈检测模型。

分类方法回顾

自然命中率

Random Forest 分类器 - 第 1 部分

随机森林分类器 - 第 2 部分

性能评估

RF 模型的性能指标

绘制 Precision-Recall 曲线

调整算法权重

模型调优

将 Random Forest 调整为欺诈检测

用 GridSearchCV 寻找最优参数

使用 GridSearchCV 的模型结果

集成方法

Logistic Regression

Voting 分类器

在 Voting Classifier 中调整权重

使用有标签数据进行欺诈检测

本章重点介绍使用无监督学习技术进行欺诈检测。您将对客户进行分群，使用 K-means 聚类和其他聚类算法，在数据中发现可疑情况。

正常行为与异常行为

探索数据

客户细分

用统计方法界定正常行为

用于检测欺诈的聚类方法

数据缩放

K-means 聚类

肘部法

标注欺诈与非欺诈

检测离群点

检查模型结果

其他聚类型欺诈检测方法

DBSCAN

评估最小的聚类

检查结果

使用无标签数据进行欺诈检测

在最后一章中，您将使用文本数据、文本挖掘和主题建模来识别欺诈行为。

使用文本数据

使用 DataFrame 进行关键词搜索

使用术语列表

创建标记

用文本挖掘检测欺诈

移除停用词

清洗文本数据

对欺诈进行主题建模

创建字典与语料库

LDA 模型

基于主题标记欺诈

解读主题模型

基于主题识别欺诈者

回顾

使用文本进行欺诈检测

Chapter 1 datasets

Chapter 4 datasets

Chapter 3 datasets

Chapter 2 datasets

一家典型组织每年大约会有 5% 的收入因欺诈而流失。在本课程中，您将学习如何用数据来对抗欺诈。例如，您将学习如何应用监督学习算法来检测与以往相似的欺诈行为，以及使用无监督学习方法来发现新的欺诈类型。此外，在欺诈分析中，区分欺诈与非欺诈时常会面对高度不平衡的数据集。课程中您将掌握一些应对该问题的技巧。课程结合技术与理论见解，并通过动手实践展示如何落地实现欺诈检测模型。您还将获得来自真实项目的提示与建议，帮助您避免在欺诈分析中常见的错误。

Unsupervised Learning in Python

Supervised Learning with scikit-learn

使用Python通过重采样不平衡数据、监督学习、分割、K均值、数据挖掘和主题建模检测欺诈。

通过数据重采样提升检测成功率

Create Your Free Account