基于级联平衡算法的银行卡异常交易检测

发布时间：2021-09-12 12:17

　　随着银行业发展的日新月异,交易数量呈指数型增长,与此同时异常交易也在增多,造成了不可估量的损失和风险。就如何从海量客户信息及银行卡交易数据中精准识别可疑交易,采用基于Fisher判断准则的BalanceCascade算法解决银行卡异常交易识别中的数据不平衡问题,提出了一种有效的异常交易检测模型。同时,将AUC和K-S指标作为不平衡数据分类的性能评价标准,最后对Kaggle数据平台的银行卡异常交易数据集进行了实验,结果显示本文提出的检测模型的性能评价指标AUC达到0.92的同时KS值也高达0.65,说明该模型在尽可能降低误报率的同时具有较高的分类识别能力,该方法对银行卡异常交易识别有一定的参考价值,对银行增强快速反应和提高客户服务水平有一定作用。 

【文章来源】：计算机仿真. 2019,36(12)北大核心

【文章页数】：5 页

【部分图文】：

本文模型与原级联平衡算法得出的ROC曲线对比图

表1 KS值区分能力 KS值 区分能力 <0.20 无 0.21～0.40 低 0.41～0.50 中 0.51～0.60 高 0.61～0.75 极高 >0.9 太高,可能有问题图3为本文模型在Kaggle异常交易数据集上的K-S曲线,由此可计算知K-S值为0.65,属于区分水平极高这一档,相比于图4原级联平衡算法得出的0.60的KS值提高了一个档次,可以应用在现实的银行卡异常交易检测任务中。对比实验结果表明,本文提出的基于Fisher判别准则的 BalanceCascade算法是一种识别银行卡异常交易检测问题的有效方法。

图3为本文模型在Kaggle异常交易数据集上的K-S曲线,由此可计算知K-S值为0.65,属于区分水平极高这一档,相比于图4原级联平衡算法得出的0.60的KS值提高了一个档次,可以应用在现实的银行卡异常交易检测任务中。对比实验结果表明,本文提出的基于Fisher判别准则的 BalanceCascade算法是一种识别银行卡异常交易检测问题的有效方法。4 结束语

【参考文献】：
期刊论文
[1]基于Ext-GBDT集成的类别不平衡信用评分模型[J]. 陈启伟,王伟,马迪,毛伟.  计算机应用研究. 2018(02)
[2]基于Fisher准则和最大熵原理的SVM核参数选择方法[J]. 周绍磊,廖剑,史贤俊.  控制与决策. 2014(11)
[3]基于模糊Fisher准则的自适应降维模糊聚类算法[J]. 支晓斌,范九伦.  电子与信息学报. 2009(11)
[4]基于Fisher准则和特征聚类的特征选择[J]. 王飒,郑链.  计算机应用. 2007(11)

博士论文
[1]基于信用评分模型的小微企业贷款的可获得性研究[D]. 朱艳敏.苏州大学 2014



本文编号：3394208