Manevi Tespit Sistemlerinde Karar Ağaçları: Vaka Çalışmaları ve En İyi Uygulamaları

Hangi Karar Ağaçları ve Neden Dolandırıcılık Tespiti İçin Excel

Karar ağaçları, model kararlarının ve mümkün olan sonuçları bir ağaç benzeri grafikte kontrol eden bir makineli öğrenme algoritmasıdır.Her bir iç düğüm belirli bir özellik test eder (örneğin, işlem miktarı > 500), her bir şube, “kara-box” modellerinin sonuçlarını temsil eder ve her bir broşürü yoktur, karar ağaçları belirli bir işlem nasıl sınıflandırıldığını açıkça yorumlayabilir.

Sahtekarlık tespit sistemleri, karar ağaçları hem sayısal hem de kategorik verileri ele alır, minimum veri işleme gerektirir ve doğal olarak doğrusal olmayan ilişkilerden model oluşturabilir. Örneğin, bir işlem, 3 AMENT:0 ve) olarak ortaya çıkabilir ve ) ve ) ve .

Vaka Çalışmasına Derin Dive 1: Bankacılık Sektörü

Bir tier1 global banka kredi kartı dolandırıcılıkla mücadele etmek için bir karar ağacı sistemi kurdu. Model, işlem miktarı, ticaret kodu, son işlem, ev ve işlem yeri arasındaki mesafe, ve cihaz parmak izi % 92 oranında yanlış pozitif tutarken, modelin yorumlanabilirliği ile, bir işlem miktarı gibi özellikleri kullanarak, bir işlem kategorisinin neden bayraklı olduğunu hızlı bir şekilde doğrulayarak, “daha fazla para cezasına çarptırıldı.

Banka ayrıca bir konsept sürüklenme mekanizması uyguladı. Çünkü dolandırıcılık desenleri gelişti (örneğin, kart-günlük saldırılarına kart açma izninden geçiş), karar ağacı, en son 30 gün içinde bir dizi gecikme durumunda yeniden eğitildi.

Bankacılık Uygulamalarından Dersler

Genişletilmiş Vaka Çalışması 2: E-ticaret Platformu

Dijital- mallarda özelleşen orta ölçekli bir e-ticaret platformu, hesap taksitlerinden (ATO) ve ilk parti dolandırıcılık (dost dolandırıcılık) ile karşı karşıya kalan, yeni oluşturulan hesaplarla, daha önce tartışmalı işlemler, e-posta domaini itibarı, IP geolok tutarlılığı ve kullanıcının tarihsel ortalamalarına yapılan işlem miktarına ilişkin olarak, dolandırıcılık takımın hızla gelişmekte olan modellere uyum sağladı.

Platform ayrıca, bir gradient-boosting modeline karşı karşılaştırmak için bir temel olarak karar ağaçları kullandı: XGBoost, sınır dışı durumlarda karar ağacı için biraz daha yüksek AUC'ye ulaştı.

E-ticaret Deployment'den en iyi uygulamalar

Vaka Çalışması 3: Sigorta Dolandırıcılık Davası

Büyük bir mülk ve sıradan sigortacı, kazayı tespit etmek için karar ağaçları uyguladı. Özellikler aynı tür hasar talep eden bir süre içinde talep edildi, önceden iddia edilen tarih, politika sahibinin kredi puanı ve olay bir hafta sonu hakkında rapor edildi. karar ağacının 48 saat içinde açılan iddiaların çoğunun aynı tür bir hasar için daha fazla kez geri döndüğünü tespit etti, 30 kez daha hileli ödeme yapan ve düzeltme aracı olarak dağıtıldı.

Sigorta Deployment'den Pratik İçgörü

Manevi Tespitinde Karar Ağaçlarını Uygulamak için En İyi Uygulamalar

Yukarıdaki vaka çalışmalarından ve endüstri deneyiminden başlayarak, aşağıdaki uygulamalar dolandırıcılık tespiti için karar ağaçları dağıtmada maksimum başarı sağlayacaktır.

Data Quality and Hazırlık

Dolandırıcılık tespiti veri kümesleri çok kirlidir: eksik değerler, tutarsız kodlar ve outliers. Karar ağaçları, mevcut dolandırıcılık manzarasını yansıtıyor - eksik verilerden yoksundur.Mansasız veya mod ile eksik değerlerin eksik olması veya kategorize edilebilir değişkenleri için ayrı bir “bilinçsiz” kategori oluşturabilir.[Döneticileri normalleştirin ve bu tarihsel veriler, ön işleme stratejileri için iyi bir kriterdir.

Sınıf Imbalance

Dolandırıcılık nadirdir - işlemlerin% 1'inden daha az. düzeltme olmadan, bir karar ağacı tüm durumlarda “ilişkin”i tahmin edebilir, % 99 doğruluk elde eder, ancak sıfır dolandırıcılık tespiti.Profesyonel ağırlık parametresi yerine hassas öğrenme (örneğin, scikit-dokuz) verileri üzerinde yanıltıcı olabilir.

Özel Seçme ve Mühendislik

Karar ağaçları otomatik olarak bölünmüş yaratım sırasında en bilgilendirici özellikleri seçer, ancak düşük maliyetli özelliklerden vazgeçerek aşırı yüklemeye yol açabilir.Bir domain tabanlı 20-30 özelliği ile başlayın (dönüşüm miktarı, frekans, geolok, cihaz bilgisi, davranışsal modeller). daha sonra düşük maliyetli bir liste sunmak için başlangıç ağacının önemli puanları kullanın.

Model Pruning ve Düzenlileştirme

Tamamen yetişkin bir ağaç gürültüyü ezberlemek ve mükemmel eğitim doğruluğunu elde edebilir, ancak yeni verilerde başarısız olabilir.Zengin teknikleri kullanın:

Pratikte, 20-50 ile bir pruned ağaç genellikle dolandırıcılık tespiti için yorumlanabilirlik ve doğruluk dengeyi dengeler.

Düzenli Model Updates and monitoring

Dolandırıcılar sürekli olarak adapte olurlar.Programlar haftalık veya bi haftalık olarak temel olarak en son verileri kullanarak yeniden eğitim alır. Günlük ölçümler izlemek - arama, yanlış pozitif oran ve ortalama işlem değeri bayraklı. Ortalama işlem miktarı 5'ten fazla veya yanlış pozitif oranın bir iş eşini aştığını gösterir. Modeller için uygulama kontrolüne geri dön böylece özel dağıtımlarda geri dönebilirsiniz.

Diğer Tekniklerle entegrasyon

Karar ağaçları nadiren izolasyonda çalışır.En yüksek etkinlik için:

[FONT:0)OWASP dolandırıcılık önleme hileleri[Dönetici:0) kural tabanlı ve ML yaklaşımlarını birleştirme konusunda pratik rehberlik sunar.

Düzenleme ve Açıklanabilirlik

AB (GDPR) ve finansal düzenlemeler (örneğin, Fair Credit Reporting Act), otomatik kararlar açıklanabilir. Karar ağaçları doğal bir uyumdur, çünkü her işlemden önce birincil sürücüye uygun olarak basılabilir; iyi bir ağaç ile iyi bir şekilde teslim edilebilir.

Meydanlar ve Sınırlar

Karar ağaçları gümüş bir mermi değildir.Süresel olma eğilimindedirler - eğitim verilerindeki küçük bir değişiklik, tamamen farklı bir ağaç üretebilir. Bu özellik, çantalı arama (günlük orman) veya örnekleme kullanarak, ancak yorumlanabilirlik maliyetine sahip olabilir.

Başka bir sınırlama, eğitim verilerindeki önyargılı kalıpları çoğaltma eğilimidir - örneğin, bu bölgelerden gelen bazı coğrafi bölgelerden gelen sistematik olarak bayraklandırma işlemlerinin son zamanlardaki dolandırıcılık vakalarında temsil edildiği gibi; Mevcut sinir ağları veya türdeki preoperatifler gibi, örnekleme eğitimi sırasında uygulanmalıdır.

Future Yol Tarifi

Bir sonraki dolandırıcılık algılama sistemleri giderek karar ağacının tabanlı modellerini, sahtekarlık halkalarını yakalamak için birleştirir (örneğin, cihazlar, IPs ve hesaplar arasındaki bağlantılar) Açıklanabilirlik, el değnek bir çalışma odağına girer; “ciddi karar ağaçları” ve “yumuşak karar ağaçları” gibi çabalar, öğrenmenin daha da ötesinde yorumlanabilirlik sağlarken, otomatik makine öğrenimi (Autom) platformlar otomatik olarak karar ağacı hiperparametreleri ayarlar, manuel çabayı azaltır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Karar ağaçları, yorumlanabilirliklerinden dolayı dolandırıcılık tespitinde temel bir araç olarak kalır ve düşük yanlış pozitifleri korumak için yüksek algılama sistemlerini modellemeye çalışır. bankacılıkta gerçek dünya uygulamaları, e-ticaret ve sigorta, önemli özelliklere sahip olduğu zaman, burada en iyi uygulamaları takip ederek, karar ağaçlarının düşük yanlış pozitifleri temin edebilir.