53、数据挖掘在零售银行目标群体选择与财政欺诈检测中的应用

数据挖掘在零售银行目标群体选择与财政欺诈检测中的应用

1. 引言

欺诈检测正成为数据库知识发现的核心应用领域，因其带来了诸多具有挑战性的技术和方法问题，且许多问题仍未解决。欺诈检测的主要任务之一是构建欺诈行为的模型或特征，这些模型可用于决策支持系统，实现预防欺诈（先验欺诈检测）或规划审计策略（后验欺诈检测）。先验欺诈检测常见于信用卡和移动电话等领域，而后验欺诈检测则适用于财政和保险等领域，在这些领域中，精准的审计策略对政府和保险公司至关重要。例如，在意大利，虚假税务申报形式的逃税估计占国民生产总值的3% - 10%，这也解释了政府和保险公司对智能审计规划系统的日益关注和投入。

2. 零售银行目标群体选择：神经模糊数据挖掘

在零售银行目标群体选择方面，神经模糊数据挖掘展现出了巨大的前景。不过，结果也证实了神经模糊系统在分类质量上无法超越神经网络和判别分析等替代方法。但它提供了一个非常紧凑且易于理解的规则库。

在这个研究中，如果交易总数很大，那么无论其他三个属性的值如何，都可判定为响应者。不过，当将修剪后的规则库应用于校准样本之外的数据时，无法保证分类质量不会显著下降，这与神经网络中的过拟合问题类似，因此强烈建议检查验证样本。

目前规则库是手动聚合的，但正在开发一种工具，它不仅能自动聚合规则，还能以适当且交互式的方式向用户展示规则。以下是原始和聚合规则库的示例：
| Cheqctq | Ichan | Itax | Ttlntrns | 结果 |
| ---- | ---- | ---- | ---- | ---- |
| large | small | small | large | 响应者 |
|