通过分类器校准解耦欺诈预防中的决策与业务逻辑动作
机器学习
2024-02-23 v2
摘要
机器学习模型通常聚焦于特定目标，例如基于业务场景中已知的群体特征分布来构建分类器。然而，计算个体特征的模型会随时间自适应以提高精度，由此引入了“解耦”的概念：即从点评估转向数据分布评估。我们将校准策略作为在业务逻辑框架内将机器学习（ML）分类器与基于分数的动作解耦的策略。为评估这些策略，我们利用一个真实业务场景和多种机器学习模型进行了比较分析。我们的发现揭示了该方法在权衡取舍与性能方面的影响，为寻求优化其解耦工作的从业者提供了宝贵见解。特别是，当训练数据与测试数据之间存在分布偏移时，等渗校准和 Beta 校准方法表现突出。
引用
@article{arxiv.2401.05240,
title = {Decoupling Decision-Making in Fraud Prevention through Classifier Calibration for Business Logic Action},
author = {Emanuele Luzio and Moacir Antonelli Ponti and Christian Ramirez Arevalo and Luis Argerich},
journal= {arXiv preprint arXiv:2401.05240},
year = {2024}
}