数据挖掘 | 信用卡欺诈预测实战

本篇的数据挖掘实战是以信用卡欺诈的数据集为例，用 Logistic Regression 和 Random Forest 两个分类算法进行预测分析。以下代码是用 Python 3 实现。

首先导入要用到的 Python 包。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import itertools
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix, precision_recall_curve
from sklearn.metrics import roc_curve, auc
from sklearn.preprocessing import StandardScaler

读入数据，数据类型是 .csv 文件。

data = pd.read_csv('./creditcard.csv')

数据初探索

输出 data 的前 5 行，先直观地看一下数据的样子。

data.head(5)

由于属性太多，该图未截取完整。

继续对数据进行探索。

print(data.shape)   	# 输出行数和列数(284807, 31)
data.columns.tolist()   # 显现数据的所有列名称
print(data.describe())  # 对数据的描述性统计

接下来绘制类别的分布，通过直方图可以直观地观察到有多少类，以及每个类的分布。

plt.figure()
ax = sns.countplot(x = 'Class',data = data)
plt.title('class distribution')
plt.show()

观察直方图，我们会发现这是一个二分类的数据集，并且数据分布极为不平衡。毕竟在信用卡违约贷款中，属于欺诈的交易还是极少数的。

具体计算一下总交易数，以及属于欺诈的交易数。

num = len(data)
num_fraud = len(data[data['Class'] == 1])
print("总交易笔数",num)
print("诈骗交易次数", num_fraud)`在这里插入代码片`
print("诈骗交易比例：{:.6f}".format(num_fraud/num))
# 输出结果
总交易笔数 284807
诈骗交易次数 492
诈骗交易比例：0.001727

可视化一下在不同的时间点下，正常与欺诈的交易次数的分布。

f, (ax1, ax2) = plt.subplots(2, 1, sharex=True, figsize=(15