29、在线交易欺诈检测与教育领域技术应用

在线交易欺诈检测与教育领域技术应用

1. 在线交易欺诈检测概述

在在线交易中，欺诈检测至关重要，它能识别线下或在线社交网络中可能出现的各类欺诈行为。当前虽已有不少关于欺诈检测的研究，但在运用和比较各种监督学习技术来检测在线交易欺诈方面的工作还相对较少。

1.1 监督学习模型

为了找出最优化的欺诈检测模型，研究人员应用了多种监督学习技术，并对结果进行了比较。以下是几种常用模型的介绍：
| 算法 | 关键特征 | 优点 | 缺点 | 欺诈分析中的应用 |
| — | — | — | — | — |
| 逻辑回归 | 预测给定实例属于“1”类或“0”类的概率，然后使用Sigmoid函数将输出转换为离散值0或1 | 用于预测离散变量 | 线性回归输出值为连续范围，无法用于预测二进制变量 | 预测给定数据实例是否对应欺诈（“1”表示欺诈，“0”表示非欺诈） |
| 最近邻 | 根据k个最近训练示例的标签对数据集实例进行分类（最常用欧几里得距离作为度量） | 可自行处理多类情况 | 计算成本高，需有有意义的距离函数 | 对于每个测试实例，使用欧几里得距离找出特征空间中k个最近的训练实例。若多数标签为“1”，则判定交易为欺诈；若多数为“0”，则判定为非欺诈 |
| SVM | 训练过程中构建超平面（n维空间中n - 1维的表面）对训练数据进行最优分类，核函数可对数据进行非线性变换 | 适用于原始特征空间中数据点无法被超平面分离的情况，核函数可将特征空间转换为更高维空间 | 核函数参数的选择是最大限制 | 数据集有28个特征，SVM构建27维超平面将数据最优分为两部分，一部分多为欺诈实例，另一部分为非欺诈实例。测试时，判断实例位于超平面哪一侧