機器學習之信用卡盜刷預測實戰
專案名稱
：
信用卡盜刷
專案概述
：利用信用卡歷史交易資料進行機器學習，構建信用卡反欺詐預測模型，提前發現使用者信用卡被盜刷的事件。
專案背景
：資料包含了由歐洲持卡人於2013年9月使用信用卡進行交易的資料。284807筆交易中有492筆被盜刷。資料非常不均衡，被盜刷資料佔所有交易的0。172%。
建模過程
：
1） 場景解析
2） 資料預處理
3） 特徵工程
4） 模型訓練
5） 模型評估與最佳化
一、場景解析
首先觀察資料集以及涉及的指標：
import
numpy
as
np
#匯入相關的庫
import
pandas
as
pd
import
matplotlib。pyplot
as
plt
mydata
=
pd
。
read_csv
（
‘E：/creditcard。csv’
）
#載入資料
mydata
。
head
（）
mydata
。
describe
（）
mydata
。
info
（）
前五行資料
資料描述
觀察有沒有缺失值
資料集一共有31個指標，其中指標V1—V28已經進行標準化處理，沒有缺失值，Amount代表金額，資料存在波動，需要進行標準化處理，CLass列代表盜刷情況，其中0代表正常，1代表被盜刷。
二、資料預處理
將金額資料Amount進行標準化處理，設定資料區間【-1，1】。
pd。value_counts（mydata［‘Class’］，sort=True）
from sklearn。preprocessing import StandardScaler
mydata［‘Amount’］=StandardScaler（）。fit_transform（mydata。Amount。values。reshape（-1，1））
mydata。head（）
被盜刷資料分佈
標準化處理後的資料集
由於被盜刷資料僅492條，資料分佈極為不均衡，此處使用SMOTE函式進行過取樣處理，使得正常資料與盜刷資料數量一樣多。
data=mydata。drop（‘Class’，axis=1）
X=data
y=mydata［‘Class’］
from imblearn。over_sampling import SMOTE
smote=SMOTE（）
X_smote，y_smote=smote。fit_resample（X，y）
X_smote。shape
pd。value_counts（y_smote）
正常資料與被盜刷資料數量一致
三、特徵工程
由於V1-V28為標準化處理資料且經過主成分分析，因此這裡無需二次處理。
四、模型訓練
from
sklearn。model_selection
import
train_test_split
X_train
，
X_test
，
y_train
，
y_test
=
train_test_split
（
X_smote
，
y_smote
，
test_size
=
0。2
）
from
sklearn。linear_model
import
LogisticRegression
#匯入邏輯迴歸包
lg
=
LogisticRegression
（
C
=
1。0
）
#設定正則化係數
lg
。
fit
（
X_train
，
y_train
）
#模型擬合
五、模型評估與最佳化
y_pre2=lg。predict（X）
mydata［‘預測’］=list（y_pre2）
from sklearn。metrics import confusion_matrix，recall_score
recall_score（y，y_pre2，pos_label=0）
0。9829062835235566
將原始特徵矩陣X帶入，得出預測目標陣列，然後對預測結果進行召回率打分，得分0。9829，意思是原始資料集中，為正例的結果中有98。29%都是正確的，即98。29%的正常交易被準確識別了。
confusion_matrix（y，y_pre2）#混淆矩陣
預測結果
import itertools
def plot_confusion_matrix（cm， classes，
title=‘Confusion matrix’，
cmap=plt。cm。Blues）：
plt。imshow（cm， interpolation=‘nearest’， cmap=cmap）
plt。title（title）
tick_marks = np。arange（len（classes））
plt。xticks（tick_marks， classes， rotation=0）
plt。yticks（tick_marks， classes）
threshold = cm。max（） / 2。
for i， j in itertools。product（range（cm。shape［0］）， range（cm。shape［1］））：
plt。text（j， i， cm［i， j］，
horizontalalignment=“center”，
color=“white” if cm［i， j］ > threshold else “black”）#若對應格子上面的數量不超過閾值則，上面的字型為白色，為了方便檢視
plt。tight_layout（）
plt。ylabel（‘True label’）
plt。xlabel（‘Predicted label’）
cm = confusion_matrix（y，y_pre2）
class_names = ［0，1］
plot_confusion_matrix（cm，classes=class_names，
title=‘logit_Confusion matrix，recall is {：。4f}’。format（recall_score（y，y_pre2，pos_label=0）））
視覺化結果
結果解讀：279455萬條正常交易資料被準確識別；439條盜刷交易也被正常識別。4860條原本是正常交易的資料被誤判成盜刷交易（誤報）；53條盜刷交易被識別成正常交易（漏報）。從結果來看，模型整體預測效果不錯。
from sklearn。model_selection import GridSearchCV #模型最佳化
clf = GridSearchCV（lg，param_grid={‘C’：［0。1，0。2，0。4，0。6，1。0，10，100］}）#尋找最優正則化係數
clf。fit（X_train，y_train）
display（clf。best_score_，clf。best_params_）
最優結果
最最佳化模型顯示最佳正則化係數為1。0，與初始模型擬合調用引數一致，無需再次調優，已經尋找到最優模型。
總結
對於二分類資料，擬優先考慮邏輯迴歸模型，其中關鍵是對資料進行預處理，包括資料標準化、缺失值處理、資料不平衡處理、特徵工程處理，做對了預處理，模型建模已經成功了一半。如果有疑問或者不懂，歡迎與我交流。部分細節知識如：混淆矩陣、召回率、模型調優，後續展開講解，敬請期待。
