使用异常检测技术检测金融欺诈

Source: Dev.to

引言

金融欺诈检测是机器学习在银行和金融科技行业中最关键的应用之一。根据最新估算，欺诈交易每年给全球经济造成数十亿美元的损失。在我们 Mastering Financial Data Science with Kaggle 系列的第五期节目中，我们将深入探讨专门用于在高度不平衡数据集中识别欺诈交易的异常检测技术。在之前的节目中，我们已经研究了时间序列数据的特征工程以及信用风险模型的构建。现在，我们将利用这些基础，攻克金融机器学习中最具挑战性的问题之一：在数百万合法交易中检测极少数的欺诈事件。

理解欺诈检测的挑战

不平衡数据问题

信用卡欺诈检测面临一个独特的挑战：类别不平衡。在真实数据集中，欺诈交易通常只占所有交易的 0.1 % 到 2 %。这种极端的不平衡会导致多个问题：标准的分类算法会优化整体准确率，而仅通过预测多数（非欺诈）类别就能轻易实现 99 %+ 的准确率。