应用：风控用户识别方法前言接下来，让我们来讲讲，一期我们做了什么？为了用Isolation Forest而不用其他的识别算法？为什么用当前的算法进行识别而不用其他的识别算法？当前的设计下存在哪些问题？

前言

update: 18.1.1 :Frcwp已如期上线，满足本文中的所有方法，欢迎拍砖

因为工作方向相关，之前我也尝试着在Google、arXiv、wikipedia等等地方搜一些风控识别的资料或者思路，但是事与愿违的是，绝大多数的与风控算法都毫无关系，基本上都是推销自己家的产品的，所以，我之前也尝试着写了一些方法的梳理，如:

• 多算法识别撞库刷券等异常用户
• 异常值识别与处理

但是在我前几天再回过头去看自己写的这些东西的时候，作为一个老司机来说，我都不想去看一篇又一篇动则上千字的文章，理论交错，文笔粗陋，正巧现在公司内部也有一个风控的项目，所以，我准备做一个开源的项目Frcwp，核心在于：

• 简单操作，几乎不用多少调参，自动识别异常点
• 理论清晰，支持的方法多，兼容性好
• 集成数据预处理的过程，减轻前置工作量

“纠结”了几个朋友的情况下，一期已经完工，主要是搭建了最简单的框架，我相信，这只是一个开始，欢迎大家试用，也欢迎每一个人来批评，更希望有想法的同学一起来做这个事情。

接下来，让我们来讲讲，一期我们做了什么？

核心我们一期做的异常点识别中，核心是利用的14年周志华教授提出的isolation forest算法进行识别，详细的理论部分请参见：Isolation Forest，重复说一个事情的意义也不大。这边需要解释几点：

• 具体是怎么得到当前的算法流程的呢？
• 为什么用当前的算法进行识别而不用其他的识别算法？
• 当前的设计下存在哪些问题？
• 未来的方向会在哪边？

让我们来一一来回答这些问题。

为了用Isolation Forest而不用其他的识别算法？

在设计这套算法之前，我们其实是遇到了一个实际的业务问题，黑产撞库。相信大家毫不陌生这个词，无论是阿里、京东、滴滴还是腾讯，被撞库是一件普通了不能再普通的事情，“黑产”的人从第三方渠道，获取到你历史上的手机号和一些你曾经用的密码，重复的登陆，暴力的尝试，如果你的密码设置的比较简单，比如：“123456”，“qwerty”...非常容易被破解，然后再根据你历史下单的情况，进行假冒“客服”退款，进行诈骗，百度一搜就有一堆这样的新闻：

• 频发假冒电商客服
• 当心!近期有人冒充假客服行骗 几分钟骗走市民八九万元 ...

所以，我们需要阻止“黑产”人员进行这样的暴力破解，获取用户的资料，由此而引发了我们对这个问题的思考。我们在对这个问题分析的时候，巧妙的发现了如下的一些信息：

因为涉及公司机密，这边隐去了具体坐标和值，很容易发现以下问题：

• 正常扇面内数据分布密集，未知扇面内数据分布松散，异常扇面内数据分布稀疏
• 正常扇面内的数据量占全量数据的绝大多数
• 不存在明显的分割线，正常扇面和异常扇面存在过度地带

这个给了我们一些启发，我们做了如下的分析：

• 我们观察了异常扇面内的用户黑白比，如我们预计的黑白比为20:3，也就是说分布远离大量数据点的用户绝大多数存在问题
• 为止区域的用户黑白比为1:2，这说明在黑白用户之间不存在明显的界限，有交错地带
• 正常区域内也存在黑名单用户，比例在504:1，也就是说，我们划分有一定识别能力，但是还是不能做到全量识别

综合上述这些预先的处理，我们要用算法完成三件事情： 1.切分全量用户，做到识别出正常，未知，异常用户 2.识别出异常用户和正常用户之间的差异约束切割 3.在异常用户+未知用户里面，找出利用差异约束切割出黑名单

为什么用当前的算法进行识别而不用其他的识别算法？

切分数据的时候，我们这边采用的是切比雪夫切割。非理工科的同学可能比较疑惑什么是切比雪夫切割，这边如果数据是正态下，箱式图的Q3+3/2xQI作为上top点进行切割，大家就应该很熟悉了，其实利用的就是数据出现的概率。

来源于百度百科

上面这张图很好的解释了，在数据服从正态分布的情况下，出现数据值比均值+3x标准差要大的概率不足0.1%，所以，我们可以认为这些数据是异常点了。那现在出现了一个问题，日常数据分布都不一定是正态的，所以引出来了类似的切比雪夫理论，它用的是马氏距离距离中心点的程度，详细的马氏距离理论见马氏距离分布。

切分完成数据之后，我们要做寻找差异约束切割逻辑。从最上面的扇面图，我们很容易发现，正常数据与异常数据之间的密度差异很明显，所以如何识别密度差异的算法就是我们需要的，这边我大概找了6、7种常见的切分方法，这边主要讲三种：isolation forest，lof，distance similarity。理论我之前也讲过，贴上地址，不废话了：密度算法。这边主要展示效果差异：

通过68个数据集，很明显的可以看出LOF的识别出来的用户的异常用户异常程度是低于Isolation Forest和Distince Similarity的，起码在我们这些数据集样本中，Isolation Forest和Distince Similarity识别效果差异不大，所以，我们再考虑了另一个性能问题：

我们用了CV=10的交叉检验，发现，平均下来，Isolation Forest识别速度是Distince Similarity的1/3以下。综合上述，还有一些其他因素，最后我们选择了Isoation Forest的方法。

当前的设计下存在哪些问题？

上面说的都是比较正面的问题，让我们看看，有哪些缺点。 首先，从头到尾，我们一直在围绕密度差异这个问题，但是就我平时做的一些小爬虫都知道，降低暴力获取的速度，慢慢搞，这时候就以上的方法就无法做到有效的识别。除此之外，因为我们用了切比雪夫不等式，所以对其有概念的同学知道，算马氏距离的时候需要算协方差矩阵，当数据量异常异常大(我测算的是12mx100)的时候计算资源紧张，可能算不出来；数据量异常异常小的时候feature严重共线性，也可能计算不出来。

未来的方向会在哪边？

所以，后续我们会新增其他算法，支持过大过小情况下的识别方法。针对数据量过小的识别情况，我在V0.0.3版本下更新了一个简单识别的方法，之后会优化更好的算法替代掉的。只要数据量太大无法计算的问题，我之后会采取矩阵切割分块计算的方法，这个是后话了。

最后，我们以当前算法包的使用来结束整篇介绍：

#安装
pip install Frcwp

自动识别过程：

from Frcwp import Frcwp
traindata = pd.read_table('../路径')#数据可以在https://github.com/sladesha/machine_learning/tree/master/data下的data_all.csv获取
frc = Frcwp()
traindata = frc.changeformat(traindata, index=0)
# You can define your own outlier size , the details of these params can be got from ../Frcwp/Frcwp.py:
params = {
    'na_rate': 0.4,
    'single_dealed': 1,
    'is_scale': 0,
    'distince_method': 'Maha',
    'outlier_rate': 0.05,
    'strange_rate': 0.15,
    'nestimators': 150,
    'contamination': 0.2
}

# train the frc model
frc.fit(traindata, **params)

相关的结果显示：

# predict outliers with the trained frc model
predict_params = {
    'output': 20,
    'is_whole': 1
}
frc.predict(frc.potentialdata_set, **predict_params)

# if you want get the whole probability of your potential outliers
frc.similarity_label

以上部分内容截取自我的github，希望对大家有一些帮助。