信用卡欺诈检测——分类器选择策略

机器学习为金融欺诈检测开辟了新的工具。利用带标注的交易样本，机器学习分类算法可学习检测欺诈。随着信用卡交易量的增长和欺诈比例的上升，人们对寻找合适的机器学习分类器用于检测的兴趣日益浓厚。然而，欺诈数据集多种多样且表现出不一致的特征。因此，在给定数据集上有效的模型不能保证在另一个数据集上也表现良好。此外，数据模式与特征随时间发生时间漂移的可能性很高。另外，欺诈数据存在大量且多变的不平衡。在这项工作中，我们评估了采样方法作为一种可行的预处理机制来处理不平衡，并针对特征高度不平衡的欺诈检测数据集提出了一种数据驱动的分类器选择策略。基于我们的选择策略所推导出的模型在更真实的条件下运行，超越了同类模型，确立了该策略的有效性。