编程 | 用python作信用卡欺诈预测
一、项目简介
https://www.kaggle.com/dalpozz/creditcardfraud
是一个典型的分类问题，欺诈分类的比例比较小，直接使用分类模型容易忽略。在实际应用场景下往往是保证一定准确率的情况下尽量提高召回率。一个典型案例是汽车制造行业，一旦发生一例汽车安全故障，同批次的车辆需要全部召回，造成了巨大的经济损失。
二、数据印象
详细分析过程见在线脚本
在公众号 PPV课大数据 回复 '欺诈' 获取地址。
2.1. 简单数据分析
数据规模：中度规模（对于mac而言）。数据共284807条，后期算法选择需要注意复杂度。
数据特征：V1~V28是PCA的结果，而且进行了规范化，可以做一些统计上的特征学习；Amount字段和Time字段可以进行额外的统计学和bucket统计。 数据质量：无缺失值，数据规整，享受啊。 经验：时间字段最好可以处理为月份、小时和日期，直接的秒数字段往往无意义。
2.2. 探索性数据分析
三、数据预处理
数据已经十分规整了，所以先直接使用基础模型来预测下数据。
L1规划化
L1规范化的模型
L2规范化
L2规范化的模型
Baseline基础模型：采用线性模型，利用L1的稀疏性，precision和recall均可以达到0.85左右，roc_auc可以达到0.79左右。
基础模型结果
由上图可见：
- precision较大时波动波动比较大。recall大于0.8后，准确率下滑严重。
- AUC面积是0.97，后来根据参考文献3知，AUC大于0.92时之后比较难修正。
Baseline模型的评价metric：
- 收集更多的数据，不适合这个场景。
- 改变评价标准：
- 使用混淆矩阵计算准确度和回收度。
- F1score
- Kappa
- ROC curves - sensitivity/specificity ratio
数据采样处理
- 收集等多数据：不适合这个场景。- 过采样Over-sampling：当数据集较少时，主动添加少类别的数据；
SMOT算法通过插值来实现。不适合本数据集。容易过拟合，运算时间长。- 欠采样Under-sampling：
当数据集足够大时，删除大类别的数据；集成方法`EasyEnsemble/BalanceCascade`
通过将反例放在不同学习器中使用，从全局看不会丢失重要信息。本案例数据量中等：选用欠采样+EasyEnsemble的方式进行数据处理。
使用im-balanced生成测试数据。
http://contrib.scikit-learn.org/imbalanced-learn/auto_examples/index.html
from imblearn.ensemble import EasyEnsemblen_subsets = X.size * 2 /
(us_X.size) - 1ee = EasyEnsemble(n_subsets=n_subsets)sample_X,
sample_y = ee.fit_sample(X, y)四、模型印象
模型：
选用easy_ensemble模型来优化。
具体实现代码见在线脚本
核心adboost代码如下：
结果如下：
easy_ensembel
对比普通的adboost数据
对比图
由上图可知，easy_ensemble提升了平滑度，但是AUC未有提升。
五、特征选择和特征学习
- L1模型进行了嵌入式的特征选择，效果优于L2模型。在寻找解释性时会有帮助。
根据数据的统计特征，可以学习一些统计变量。
统计学习
增加如下的特征。
六、分析结果 使用SNE分析(常用于非线性可视化分析)来观看一次under_sample的结果。
https://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis/
如下图所示
SNE图
由上图可知两种类别的数据是可以区分的，但是部分数据融合在一起，当追求recall较大时，将会误判大量数据。
七、迭代问题
可以优化的方向：
- 可以通过学习新的特征，将数据在新维度上拉开距离
- 在计算机能力允许的情况下，设置合适的round轮次来调参。
八、表述模型
- 根据模型的SNE图和数据性可知，数据质量是比较好的。
- easy_ensemble模型本身使用了adboost和bagging，每棵tree的复杂度不高，降低了bias；通过bagging，降低了variance。最终得到了较好的P-R图和AUC值。
- 通过LR模型的稀疏性特征值，可以制作出一个解释性报告。
参考
https://www.kaggle.com/nschneider/gbm-vs-xgboost-vs-lightgbm
imbalanced-learn
http://contrib.scikit-learn.org/imbalanced-learn/index.html
Exploratory Undersampling for Class-Imbalance Learning
https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/tsmcb09.pdf