基于CNN-XGBoost的互联网金融防欺诈问题的实证研究
发布时间：2021-04-13 19:12
金融欺诈检测的目的是预测潜在的欺诈用户和欺诈行为,减少金融机构损失。随着互联网金融的快速发展,对金融反欺诈方案的需求愈发迫切。机器学习方法在欺诈检测中的应用十分广泛。模型和神经网络都是重要的分类方法,树模型可解释性更强,但分类效果十分依赖于手动设计的特征,神经网络可以自动实现特征提取,但更易过拟合。因此本文结合了这两种算法的优势,对卷积神经网络CNN与XGBoost的组合进行了研究。XGBoost是一种常用的分类方法,XGBoost引入了正则化项控制模型复杂度,大幅提升了模型的抗过拟合能力。相较于传统树模型的效果提升十分明显,但XGBoost仍然依赖于人工进行特征工程处理。CNN能自动完成特征提取,对数据中的重要特征在高维空间进行组合和筛选,但随着特征抽象程度的提高,过拟合现象大幅影响了网络的表现。本文将CNN中的低抽象度特征加入到原始特征中训练XGBoost,同时利用了 CNN自动实现特征提取的特点和XGBoost抗过拟合的特点,提高了模型拟合的上界。本文主要工作如下:（1）对数据进行预处理和先验分析。基于正负样本比例接近1:12的信用卡欺诈数据,对原始数据进行探索性分析,通过可视化...
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．１神经网络示意图??
佳的效果，从此不少学者开始重视ＣＮＮ的研究［２５：。??ＣＮＮ具有多层结构、池化操作、局部连接及权值共享这四个特点。在传统的神经网??络中，全连接层中的神经元之间互相连接，使得参数太多，训练过程耗时长且容易??过拟合。而ＣＮＮ利用了局部感受野与权值共享的两大特性，共享权重和偏置值，大??大减少网络训练的参数，降低网络训练的复杂度［２６。??感受野的定义为，卷积神经网络中每层输出的特征图上像素点在原始图像中映??射区域的大小，利用局部感受野，每个神经元只需感知图像的局部［２７：。??图２．?２感受野示意图??计算感受野时从最后一层开始计算，再逐层传递至第一层，计算公式为：??ＲＦｊ?＝?（ＲＦｊ＋ｉ?－?ｌ）?ｘ?ｓｔｒｉｄｅｊ?＋?Ｋｓｉｚｅｊ?（２．?２７）??巧为第ｊ层卷积层的感受野，／＾．＋１为第ｊ＋１层上的感受野。Ｋｓｉｚｅ为本层卷积核??大小，ｓｔｒｉｄｅ为卷积步长。在感受野的计算中，最后一层输出特征图的感受野大小??与卷积核大小相等，第ｊ层卷积层感受野的大小不仅与第ｊ层的卷积步长和卷积核??大小有关，还与第ｊ＋１层感受野的大小有关。另外，在计算感受野时不考虑ｐａｄｄｉｎｇ??的大小，也就是忽略图像边缘的影响。在一张图像中，局部像素之间密切相关。在??隐藏层中，图像的局部相关与神经元的局部连接能极大地减少参数数目，隐藏层中??的神经元只需要与感受野区域连接。另外，隐藏层中神经元之间的权值共享也能减??少参数数目。??ＣＮＮ的常用结构一般由卷积层、池化层和全连接层组成。其中，卷积层是卷积神??经网络中最核心最关键的部分，用于提取特征，池化层用于降维，能减少网络中参??数数量，全连接层一般位于网络的最后，用做
果??个??ＸＧＢｏｏｓｔ?训练?（ｆ?）??新的特证数据?ｃ?．．．）（－．．．）…ｒ－．．．＇－?）?：：：：：：：??、?，、?＾?Ｊ?Ｘ?Ｍ?Ｕ?Ｍ?Ｍ?????ｚｌ?ｘ２ｘ３?？？？?ｘｊｉ??全连掊层?（?）?原始特证教据??／????信息提取?（．．．．？）?ｃ?．．．?）?？…ｒ＇￣ｒ￣＂）??隹积层?（个）??ｒ％?ｒ％?ｒｖ?ｒｖ?ｒｖ?ｒｖ??原始特征數裾??ｖｙ?ｋＪ?Ｌｘ??ｘｌ?ｘ２ｘ３?…?ｘｎ??图２．?３?ＣＮＮ－ＸＧＢｏｏｓｔ组合模型训练流程??２．?３．１?Ｉ?ｎｃｅｐｔ?ｉ?ｏｎ?网络??在标准的卷积神经网络中，网络的每一层都从之前的层中提取信息，从而将输??入数据转换为更有用的信息，但是类型不同的层提取的特征种类也不同。Ｉｎｃｅｐｔｉｏｎ??模型能对这些不同的变换结果并行计算，它是一种具有优良结构的网络，其局部拓??扑结构能对输入数据并行执行多个池化操作或卷积运算，并将所有的输出结果拼接??在一起形成一个特征图。Ｉｎｃｅｐｔｉｏｎ在同一层级上运行了滤波器尺寸为１?ｘ?１，３?ｘ?３，??５ｘ５，?７ｘ７的卷积层，将不同滤波器尺寸的卷积组合在一起，经过卷积操作后，输??出的结果再全部整合在一起，而选择不同尺寸的滤波器的目的在于收集上一层输入??１３??
【参考文献】：
期刊论文
[1]基于SMOTE和XGBoost的贷款风险预测方法[J]. 刘斌,陈凯. 计算机与现代化. 2020(02)
[2]SMOTE混合抽样对非平衡数据分类效果的影响分析[J]. 王蕾,刘赛可,夏利宇. 调研世界. 2020(01)
[3]缺失数据的处理方法及其发展趋势[J]. 邓建新,单路宝,贺德强,唐锐. 统计与决策. 2019(23)
[4]互联网金融背景下银行信用卡欺诈与套现风险防控研究[J]. 张越. 时代金融. 2019(11)
[5]局部感受野的宽度学习算法及其应用[J]. 李国强,徐立庄. 计算机工程与应用. 2020(09)
[6]结合Inception模型的卷积神经网络图像去噪方法[J]. 李敏,章国豪,曾建伟,杨晓锋,胡晓敏. 计算机工程与应用. 2019(20)
[7]神经网络模型在银行互联网金融反欺诈中的应用探索[J]. 李赟妮. 金融科技时代. 2018(08)
[8]基于Mini-batch神经网络的船舶柴油机风险等级预测[J]. 尚前明,王潇,曹召,刘治江,邓晓光. 中国修船. 2018(04)
[9]基于规则引擎的互联网金融反欺诈研究[J]. 丁濛濛. 电脑知识与技术. 2018(01)
[10]互联网金融违约欺诈风险事件研究[J]. 杨荻. 经济研究参考. 2016(63)
硕士论文
[1]基于大数据的互联网金融欺诈行为识别研究[D]. 丁爽斯.首都经济贸易大学 2016
[2]多标签分类中标签编码算法研究[D]. 曹蕾.南京师范大学 2015
本文编号：3135856
【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
图２．１神经网络示意图??
佳的效果，从此不少学者开始重视ＣＮＮ的研究［２５：。??ＣＮＮ具有多层结构、池化操作、局部连接及权值共享这四个特点。在传统的神经网??络中，全连接层中的神经元之间互相连接，使得参数太多，训练过程耗时长且容易??过拟合。而ＣＮＮ利用了局部感受野与权值共享的两大特性，共享权重和偏置值，大??大减少网络训练的参数，降低网络训练的复杂度［２６。??感受野的定义为，卷积神经网络中每层输出的特征图上像素点在原始图像中映??射区域的大小，利用局部感受野，每个神经元只需感知图像的局部［２７：。??图２．?２感受野示意图??计算感受野时从最后一层开始计算，再逐层传递至第一层，计算公式为：??ＲＦｊ?＝?（ＲＦｊ＋ｉ?－?ｌ）?ｘ?ｓｔｒｉｄｅｊ?＋?Ｋｓｉｚｅｊ?（２．?２７）??巧为第ｊ层卷积层的感受野，／＾．＋１为第ｊ＋１层上的感受野。Ｋｓｉｚｅ为本层卷积核??大小，ｓｔｒｉｄｅ为卷积步长。在感受野的计算中，最后一层输出特征图的感受野大小??与卷积核大小相等，第ｊ层卷积层感受野的大小不仅与第ｊ层的卷积步长和卷积核??大小有关，还与第ｊ＋１层感受野的大小有关。另外，在计算感受野时不考虑ｐａｄｄｉｎｇ??的大小，也就是忽略图像边缘的影响。在一张图像中，局部像素之间密切相关。在??隐藏层中，图像的局部相关与神经元的局部连接能极大地减少参数数目，隐藏层中??的神经元只需要与感受野区域连接。另外，隐藏层中神经元之间的权值共享也能减??少参数数目。??ＣＮＮ的常用结构一般由卷积层、池化层和全连接层组成。其中，卷积层是卷积神??经网络中最核心最关键的部分，用于提取特征，池化层用于降维，能减少网络中参??数数量，全连接层一般位于网络的最后，用做
果??个??ＸＧＢｏｏｓｔ?训练?（ｆ?）??新的特证数据?ｃ?．．．）（－．．．）…ｒ－．．．＇－?）?：：：：：：：??、?，、?＾?Ｊ?Ｘ?Ｍ?Ｕ?Ｍ?Ｍ?????ｚｌ?ｘ２ｘ３?？？？?ｘｊｉ??全连掊层?（?）?原始特证教据??／????信息提取?（．．．．？）?ｃ?．．．?）?？…ｒ＇￣ｒ￣＂）??隹积层?（个）??ｒ％?ｒ％?ｒｖ?ｒｖ?ｒｖ?ｒｖ??原始特征數裾??ｖｙ?ｋＪ?Ｌｘ??ｘｌ?ｘ２ｘ３?…?ｘｎ??图２．?３?ＣＮＮ－ＸＧＢｏｏｓｔ组合模型训练流程??２．?３．１?Ｉ?ｎｃｅｐｔ?ｉ?ｏｎ?网络??在标准的卷积神经网络中，网络的每一层都从之前的层中提取信息，从而将输??入数据转换为更有用的信息，但是类型不同的层提取的特征种类也不同。Ｉｎｃｅｐｔｉｏｎ??模型能对这些不同的变换结果并行计算，它是一种具有优良结构的网络，其局部拓??扑结构能对输入数据并行执行多个池化操作或卷积运算，并将所有的输出结果拼接??在一起形成一个特征图。Ｉｎｃｅｐｔｉｏｎ在同一层级上运行了滤波器尺寸为１?ｘ?１，３?ｘ?３，??５ｘ５，?７ｘ７的卷积层，将不同滤波器尺寸的卷积组合在一起，经过卷积操作后，输??出的结果再全部整合在一起，而选择不同尺寸的滤波器的目的在于收集上一层输入??１３??
【参考文献】：
期刊论文
[1]基于SMOTE和XGBoost的贷款风险预测方法[J]. 刘斌,陈凯. 计算机与现代化. 2020(02)
[2]SMOTE混合抽样对非平衡数据分类效果的影响分析[J]. 王蕾,刘赛可,夏利宇. 调研世界. 2020(01)
[3]缺失数据的处理方法及其发展趋势[J]. 邓建新,单路宝,贺德强,唐锐. 统计与决策. 2019(23)
[4]互联网金融背景下银行信用卡欺诈与套现风险防控研究[J]. 张越. 时代金融. 2019(11)
[5]局部感受野的宽度学习算法及其应用[J]. 李国强,徐立庄. 计算机工程与应用. 2020(09)
[6]结合Inception模型的卷积神经网络图像去噪方法[J]. 李敏,章国豪,曾建伟,杨晓锋,胡晓敏. 计算机工程与应用. 2019(20)
[7]神经网络模型在银行互联网金融反欺诈中的应用探索[J]. 李赟妮. 金融科技时代. 2018(08)
[8]基于Mini-batch神经网络的船舶柴油机风险等级预测[J]. 尚前明,王潇,曹召,刘治江,邓晓光. 中国修船. 2018(04)
[9]基于规则引擎的互联网金融反欺诈研究[J]. 丁濛濛. 电脑知识与技术. 2018(01)
[10]互联网金融违约欺诈风险事件研究[J]. 杨荻. 经济研究参考. 2016(63)
硕士论文
[1]基于大数据的互联网金融欺诈行为识别研究[D]. 丁爽斯.首都经济贸易大学 2016
[2]多标签分类中标签编码算法研究[D]. 曹蕾.南京师范大学 2015
本文编号：3135856
本文链接：https://www.wllwen.com/guanlilunwen/bankxd/3135856.html
