基于特征相似度降采样的交易欺诈预测模型

在交易欺诈评估场景下,正负样本比例极其悬殊,需要对样本进行采样来解决样本不平衡。传统采样由于在采样过程中会丢失样本信息,导致模型预测的准确率不是很高。针对这类情况,提出一种基于特征相似度降采样方式的模型构建方法。该方法主要包括三个部分。(1)依据样本数据,构建有效的与欺诈相关的特征集。(2)通过引入样本差异度函数,在降采样时尽可能多地保留样本信息。(3)通过多个分类器进行融合输出欺诈概率。将该方法与其他常见采样方式进行比对,实验结果表明,该方法具有更好的评估结果。

基于多模型融合Stacking集成学习保险欺诈预测

本文结合人工智能的前沿理论研究,提出一种基于改进XGBoost与LightGBM模型融合的Stacking集成学习方式的保险欺诈行为预测模型.该模型对保险公司被保人保险欺诈行为的识别具有启示意义,有助于保险公司更好地识别被保人的骗保行为,强化自身风控体系.首先对XGBoost与LightGBM进行Stacking模型融合生成两个新特征,新生成的两个特征和原有的40个特征合并作为第二层Stacking训练模型的输入.其次,在Stacking的第二层中分别选择使用多种分类学习模型,包括Bagging、LightGBM、XGBoost以及传统机器分类模型,包括逻辑回归、高斯贝叶斯、决策树等,各模型的训练和参数均由K折交叉验证和遗传算法优化得到.算例数据来源于阿里云天池挑战赛公开的保险欺诈数据集,对构建多模型融合的Stacking模型预测性能进行了验证与测试.预测结果表明,与传统机器分类模型预测结果相比,基于XGBoost与LightGBM Stacking模型融合集成学习模型对保险欺诈行为具有较高的识别能力.最后,根据计算并可视化出最优分类模型不同特征的重要性结果,得出结论:被保人的职业、发生保险事故的城市、发生保险事故的地区、资本收益、资本亏损是识别保险欺诈行为的重要特征.

基于深度学习的银行卡交易反欺诈技术研究

银行卡交易的反欺诈技术旨在检测出欺诈风险较高的交易,通常采用神经网络进行反欺诈预防。传统神经网络只有一层隐藏层节点,对复杂多变的欺诈特征泛化能力较差。为提高欺诈交易预测的准确度,将深度信念网络模型应用到银行卡交易反欺诈中。构建了一个五层的深度信念网络模型,逐层训练并反向调优后获取到欺诈交易的特征,并通过分类器对交易进行分类。实验表明深度学习模型在银行卡交易欺诈预测方面比传统神经网络具有更高的准确性。