作者 | 陳峻

審校 | 重樓

引言

如今，基于互聯(lián)網(wǎng)服務(wù)的欺詐案例時常登頂媒體頭條，而使用在線服務(wù)和數(shù)字交易的金融行業(yè)尤其成為了重災(zāi)區(qū)。網(wǎng)絡(luò)洗錢、保險欺詐、網(wǎng)銀盜用、虛假銀行交易等復(fù)雜金融欺詐行為層出不窮，我們亟待通過行之有效的欺詐識別與檢測的手段，來保護個人和組織免受巨大的經(jīng)濟損失。

作為一種自適應(yīng)性強、可擴展性高的技術(shù)，機器學(xué)習算法具有從數(shù)據(jù)中學(xué)習、發(fā)現(xiàn)復(fù)雜模式的能力，因此被廣泛地應(yīng)用于各種科學(xué)領(lǐng)域。而檢測金融欺詐正是其能夠大顯身手的新賽道。

模型介紹

目前，被用于金融欺詐檢測的典型算法包括：邏輯回歸（LR）、支持向量機（SVM）、K-近鄰（KNN）、奈夫貝葉斯（NB）、決策樹（DT）、隨機森林（RF）和增強奈夫貝葉斯 (TAN)等。其中，

• SVM使用最佳超平面對數(shù)據(jù)點進行分類
• KNN根據(jù)K-Nearest Neighbors對交易進行分類
• NB使用概率學(xué)習來估計類別的概率
• DT通過生成決策樹以進行基于特征的分類
• RF結(jié)合決策樹以減少過擬合
• TAN通過樹狀依賴結(jié)構(gòu)來增強NB以捕捉特征相關(guān)性

這些模型為識別和檢測金融欺詐提供了多種方法，有助于建立出強大的實時欺詐檢測系統(tǒng)。當然，它們各有利弊，在為具體應(yīng)用選擇算法時，我們需要考慮數(shù)據(jù)集的大小、特征空間、處理需求、以及可解釋性等因素。

為此，一種改進的集合機器學(xué)習（Ensemble Machine Learning）技術(shù)應(yīng)運而生。它能夠?qū)⒍鄠€單獨的算法模型組合在一起，通過重點優(yōu)化模型的各項參數(shù)、提高性能指標，以及整合深度學(xué)習（如Bagging、Boosting和Stacking），進而創(chuàng)建出可以修復(fù)識別到的錯誤、并減少假陰性的強大欺詐檢測系統(tǒng)。

集合學(xué)習檢測模型

既然是組合，那么我們便可以綜合選配各種機器學(xué)習分類器。而每一種分類器都會以其獨特的優(yōu)勢發(fā)揮應(yīng)有的作用。

如上圖所示，一個典型的金融欺詐類識別與檢測模型會包括如下組件：

• SVM，擅長為類別分離確定適當?shù)某矫?/span>
• LR，對事件概率進行建模
• RF，能夠建立穩(wěn)健的決策樹
• KNN，根據(jù)近鄰中的多數(shù)類進行分類
• Bagging，會使用KNN作為基本分類器，以進一步豐富集合
• Boosting，使用RF作為基礎(chǔ)分類器
• 最下方的投票分類器（Voting Classifier）可以綜合上述分類器的各種預(yù)測結(jié)果

由于采用了集合機器學(xué)習的協(xié)同方式，因此該模型在檢測金融領(lǐng)域少數(shù)類別的數(shù)據(jù)，以及解決類別不平衡方面，具有出色的表現(xiàn)。其根本意愿在于，集合模型有助于聚集不同的弱學(xué)習算法，以增強其整體識別與檢測能力，進而提高相關(guān)決策的可解釋性和透明度。此外，與深度學(xué)習架構(gòu)相比，集合式計算的密集度較低，因此也更適合金融領(lǐng)域本來就計算資源有限的場景。

檢測模型的評估

我們該如何來評估機器學(xué)習系統(tǒng)對于具體金融欺詐的檢測效果呢？通常，業(yè)界會采用如下基本流程：

• 首先，選擇一個包含了合法交易和欺詐交易記錄的數(shù)據(jù)集。
• 由于數(shù)據(jù)集中存在著各種無序、原始、殘缺、以及重復(fù)的實例，系統(tǒng)的檢測很容易出現(xiàn)誤差，因此我們需要進行數(shù)據(jù)預(yù)處理，使其適合模型的訓(xùn)練和測試。
• 接著，鑒于欺詐交易只占整體交易數(shù)據(jù)的一小部分，我們需要對不平衡的數(shù)據(jù)集進行采樣。
• 然后，系統(tǒng)將整理好的采樣數(shù)據(jù)分為訓(xùn)練樣本和測試樣本，使用其中的訓(xùn)練樣本對已選的機器學(xué)習模型進行訓(xùn)練，并使用這兩種樣本來觀察訓(xùn)練模型的行為。
• 在獲得準確率、精確度、召回率、F1分數(shù)等選定評估參數(shù)的結(jié)果后，對系統(tǒng)的整體能力進行分析和比較。

模型評估標準

在評估模型的清晰度和理解度時，業(yè)界通常會使用混淆矩陣（Confusion Matrix）。如下圖所示，該矩陣由真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)四個直觀的象限組成：

基于上述矩陣，目前被業(yè)界廣泛認可的是模型評估標準通常包括：準確率、精確度、召回率和F1分數(shù)四個方面的指標。其中：

• 準確率，是所有正確預(yù)測（TP + TN）與樣本中預(yù)測或條目總數(shù)（TP + TN + FN + FP）之比。
• 精確度，是TP與模型所做的所有正面預(yù)測（TP + FP）之比。換句話說，它是模型做出的正面預(yù)測的準確度。
• 召回率，是用來衡量機器學(xué)習模型識別正向類所有實例的能力指標。它是正確預(yù)測到的陽性觀察結(jié)果（TP）與實際陽性觀察結(jié)果總數(shù)（TP+FN）的比率。
• F1分數(shù)，是將精確度和召回率的結(jié)果合并為一個平衡的平均值指標。

評估模型的準確率

目前，有專家將集合學(xué)習模型與里面包含的LR、RF、KNN、Bagging、Boosting模型進行了逐一比較。就同樣的數(shù)據(jù)集測試樣本而言，其結(jié)果的精確度、召回率和F1分數(shù)如下表所示：

可見，集合學(xué)習模型能夠很好地捕捉到相關(guān)數(shù)據(jù)，對其進行精確預(yù)測，從而實現(xiàn)了對特定數(shù)據(jù)的高靈敏度，并保持了穩(wěn)定的較低誤判率。

下表則更全面地向您展示了將各種典型機器學(xué)習算法，被運用到實時金融欺詐場景的準確率綜合比較：

評估模型效率

除了準確率維度，我們也應(yīng)該評估模型的計算效率。這往往涉及到在檢測過程中，模型所需的訓(xùn)練和測試時間，以及這些過程對內(nèi)存和存儲等系統(tǒng)資源的利用率。

注意：上表中的內(nèi)存使用值是以兆字節(jié)（MiB）為單位，換算系數(shù)關(guān)系為1 MiB等于1.04858 MB。

總體而言，不同算法的訓(xùn)練和測試時間各不相同。其中，LR、SVM和KNN算法的訓(xùn)練時間較長，但測試時間較短；而其他模型則呈現(xiàn)出相反的趨勢。

小結(jié)

綜合上述，通過利用各種計算學(xué)習算法，我們不但可以提高金融欺詐檢測的準確性和效率，而且能夠盡早地發(fā)現(xiàn)潛在的欺詐活動，進而及時采取預(yù)防和抵御的措施，以減少其影響。

同時，隨著信用卡欺詐技術(shù)的不斷發(fā)展，能夠有效綜合各種算法優(yōu)勢的集合機器學(xué)習檢測模型，已為我們進一步開發(fā)更具擴展性和適應(yīng)性的欺詐檢測系統(tǒng)，奠定了基礎(chǔ)。從而在保證金融系統(tǒng)安全的同時，持續(xù)維護了消費者對于多元化互聯(lián)網(wǎng)金融交易的信心。

作者介紹

陳峻（Julian Chen），51CTO社區(qū)編輯，具有十多年的IT項目實施經(jīng)驗，善于對內(nèi)外部資源與風險實施管控，專注傳播網(wǎng)絡(luò)與信息安全知識與經(jīng)驗。