金融欺诈交易检测一直是金融领域关注的重点问题。然而,现有的欺诈检测方法,在模型训练过程中忽略了对数据的特征敏感性做处理,导致对减少实际经济损失没有明显作用;因此提出了一种基于特征敏感的stacking集成学习方法FSBS (feature-sen...金融欺诈交易检测一直是金融领域关注的重点问题。然而,现有的欺诈检测方法,在模型训练过程中忽略了对数据的特征敏感性做处理,导致对减少实际经济损失没有明显作用;因此提出了一种基于特征敏感的stacking集成学习方法FSBS (feature-sensitive based stacking),首先选择几种不同质的基分类器当作第一层基准模型,然后通过交叉验证的方式得到概率形式的输出,最后通过一层特殊的stacking集成方法使模型对大金额交易样本有所偏置。最终实验证明,FSBS模型可以有效减少欺诈交易带来的经济损失。展开更多
文摘金融欺诈交易检测一直是金融领域关注的重点问题。然而,现有的欺诈检测方法,在模型训练过程中忽略了对数据的特征敏感性做处理,导致对减少实际经济损失没有明显作用;因此提出了一种基于特征敏感的stacking集成学习方法FSBS (feature-sensitive based stacking),首先选择几种不同质的基分类器当作第一层基准模型,然后通过交叉验证的方式得到概率形式的输出,最后通过一层特殊的stacking集成方法使模型对大金额交易样本有所偏置。最终实验证明,FSBS模型可以有效减少欺诈交易带来的经济损失。