《基于logistic回归的信用反欺诈预测模型》
该文是关于预测模型电大毕业论文范文和logistic回归和反欺诈和预测和模型有关研究生毕业论文范文.
摘 要：随着时代的飞速发展,互联网离我们的生活越来越近.互联网可以说是一把双刃剑,即带来了更加便捷的网络金融服务;又带来了如信用卡盗刷,电信诈骗,网络钓鱼等危害.文章基于对信用贷款业务的理解,利用银行业务数据,结合机器学习模型实现了一种基于逻辑回归算法的信用反欺诈预测模型.该模型能有效减少信用卡盗刷事件的发生,减少银行的损失;同时,该模型还能提高银行的工作效率,具有较好的工程应用价值.
Abstract： With the rapid development of the times, the Internet is getting closer to our lives. The Internet can be said to be a double-edged sword, which brings more convenient online financial services and also brings harm such as credit card theft, telecommunications fraud, phishing, and so on. Based on the understanding of credit loan business, this paper uses bank business data and machine learning models to implement a credit anti-fraud prediction model based on logistic regression algorithm. This model can effectively reduce the occurrence of credit card fraud and reduce bank losses. At the same time, the model can also improve the bank's work efficiency and has good engineering application value.
关键词：信用卡;反欺诈;logistic
Key words： credit card;anti-fraud;logistic
中图分类号：F831 文獻标识码：A 文章编号：1006-4311（2020）01-0206-06
1 研究背景
层出不穷的网络欺诈,如银行理财产品漏洞被利用,虚假借款诈骗等正深深地困扰着人们.与此同时这些网络金融欺诈的手段正向复杂化,多样化方向发展.金融行业急需例如本文所提到的模型来解决上述问题.对于新时代的金融机构来说,创造出完整的风险预测与控制体系是极为必要的,因为这样能有效避免欺诈等违法行为的发生.尤其在消费金融业务方面,毫不夸张地说,风险控制能力的高低直接决定了业务盈利能力的强弱.欺诈案件的发生,不仅给金融企业带来了巨大的经济损失,还给社会带来了许多不稳定因素,挑战着人们经济与道德的底线.
“反欺诈系统永远都不是静态的,有些人一直试图寻找它的漏洞,并利用它”.[1]运用传统方法很难去定义新型诈骗手段.在此情况下,我们必须采取相对的对策.当今机器学习发展迅速,在此大背景下,人们很快就将人工智能（AI）技术融入金融市场之中.利用这种技术,不仅可以使得银行、证券交易等金融企业的运营和维护成本有所降低,而且信用评估系统分析的准确率也大大提高.AI技术投入使用一段时间后,各类网络欺诈行为都得到有效控制,各类企业和客户的利益都得到了有效保护.
目前运用机器学习技术虽然能够有效控制网络欺诈行为,但是这种新投入市场使用的技术仍然存在一定的缺陷——在各类金融企业的数据库中,尽管有足够量的数据以供测试训练和交互验证,但是其内置的反欺诈模型均为静态模式,只能对类似于以往已发生的欺诈行为进行检测,而面对层出不穷的新型诈骗手段,其检验结果不孚众望.过去的反欺诈模型,基本都是用传统的单一化的方式处理问题,并且易受到各类条件的限制,在使用中常捉襟见肘,疲于应付如今防不胜防的欺诈手段.由此可见,一种新的反欺诈模型的建立和运用是必然的,也是极为重要的.
2 数据预处理
我们选取了来自于kaggle上符合模型需要的数据包,数据包里的数据由欧洲部分信用卡持卡人在2013年9月某两天内进行卡片交易的数据组成.数据显示,在284807笔交易中,有近500次信用卡被盗刷记录,占所有交易量的0.17%.但是,此次选取的数据包数据波动较大,并且只包含了作为PCA（主成分分析）转换结果的数字输入变量.在法律层面,为保护信用卡持有者的隐私,相关的数据功能和持卡人背景信息不予提供.通过使用PCA获得主要组件,特征V1,V2,等V28,没有用PCA转换的唯一特征是时间和交易金额.特征“时间”包含数据集中每个事务和第一个事务之间经过的秒数.特征“金额”即为交易金额,这是可用于实例依赖的成本认知学习的特征.特征“类”即所谓的响应变量,如若发生盗刷事件,则取值1,否则为0.
在基本信息方面,其缺失值情况如图1的缺失值矩阵图所示,每一维度没有缺失值,不需要进行补值操作.
上文点评，上述文章是一篇关于对写作logistic回归和反欺诈和预测和模型论文范文与课题研究的大学硕士、预测模型本科毕业论文预测模型论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
预测模型引用文献:
[1] 预测模型论文范文 预测模型相关本科毕业论文范文2万字
[2] 预测模型论文范文 关于预测模型方面本科论文范文2000字
[3] 预测模型论文范文 预测模型类电大毕业论文范文2000字
