用于欺诈检测中模型复杂度选择的欺诈损失
应用统计
2021-01-29 v1
摘要
在欺诈检测应用中，调查者通常仅限于控制数量受限的 k 个案例。分配资源最有效的方式是尝试选出具有最高欺诈概率的 k 个案例。为此目的所使用的预测模型通常必须正则化，以避免过拟合以及随之而来的糟糕预测性能。本文提出一种新的损失函数，称为欺诈损失，用于通过调谐参数选择模型复杂度。通过模拟研究寻找验证的最优设置。此外，在一系列模拟以及某个 VAT 欺诈数据集上，将所提方法的性能与基于受试者工作特征曲线下面积（AUC）的最相关竞争方法进行比较。在大多数情况下，依据欺诈损失选择模型复杂度，在欺诈损失意义上优于或与 AUC 性能相当。
引用
@article{arxiv.2101.11907,
title = {The fraud loss for selecting the model complexity in fraud detection},
author = {Simon Boge Brant and Ingrid Hobæk Haff},
journal= {arXiv preprint arXiv:2101.11907},
year = {2021}
}