信用卡欺诈数据分析与建模

数据集是来自kaggle上的信用卡进行交易的数据。此数据集显示两天内发生的交易，其中284,807笔交易中有492笔被盗刷。数据集非常不平衡，被盗刷占所有交易的0.172％。其中数据特征v1,v2....v28是某些特征，银行为了保密，并没有提供具体代表的内容，Class是响应变量，如果发生被盗刷，则取值1，否则为0。Amount为消费金额。

首先来看下具体数据内容：

data = pd.read_csv("/Users/weillschang/Desktop/jupyter notebook/creditcard_fraud/creditcard.csv")
data.head()

输出内容

image

看下class值的分布情况

data['Class'].value_counts()

其中class =0的有284315 class=1也就是属于欺诈类型的有492，两者比例超过500，典型的样本分布不均衡。
对于机器学习常见的分类问题，从训练模型的角度来看，比较理想的情况下是正类和负类样本的数量相差不多，如果某类的样本数量很少，那么自然所能提供的信息就很少，用这些不平衡的数据训练出来的模型，其预测结果偏向训练数据数据比较多的哪一类，比如在正负样本比例为9：1是，当预测精度90%时，即使模型将结果全部划分为90%的那一类，其准确度也有90%，而这是没有意义的，自然我们需要对其进行处理

样本不均衡问题

对样本不均衡的处理通常有以下三种方式，这里有参考这个这篇博客数据不均衡的处理

• 欠采样
  抛弃数据集中样本数量较多的类别，来缓解不平衡问题，，缺点是会丢失多数类样本中的一些重要信息。
• 过采样
  对训练集里面过少的样本进行新的数据合成，来达到数据平衡的问题，这里比较经典的算法是SMOTE算法，他会从相近的几个样本中，加入随机噪声，随机扰动一个特征，来生成新的数据实例
• 权重值的调整
  也就是说调整权重值，将少数样本权重设置为一个较大权重，多数样本设置一个较小权重。

对于信用卡欺诈这个问题，面对不平衡超过500，如果用欠采样的话，会丢弃20多万条数据，这很可能会导致丢失很多重要的信息，而权重调整这里也并不容易找到合适的权重值，这里采用过采样来合成新数据

数据预处理

在合成数据之前我们需要对数据进行常规的预处理，将可能的特征属性进行标准化处理，因为算法都假设所有数据集的所有特征集中在0附近，并且有相同的方差，如果某个特征方差远大于其他特征方差，那么该特征可能在目标函数中占得权重更大，而且差距太大的话，这会对收敛速度产生很大的影响，甚至可能不收敛，这里采用sk-learn自带的StandardScaler来进行处理

from sklearn.preprocessing import StandardScaler

data['Amount'] = StandardScaler().fit_transform(data['Amount'].reshape(-1, 1))
data.drop(['Time'],axis=1)

处理后该列数据会变成均值为0，方差为1的一列数据。

使用SMOTE 算法进行数据合成

SMOTE算法很简单，可以说是K 近邻算法的逆操作，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻后，在从其K 近邻中随机选择N个样本， 在从这些样本与原来的样本之间随机构建生成一个新的数据。
如下：

## 先对数据集进行分割,按30% 划分
from imblearn.over_sampling import SMOTE
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import confusion_matrix
from sklearn.model_selection import train_test_split
from sklearn.cross_validation import KFold, cross_val_score
from sklearn.metrics import confusion_matrix,recall_score,classification_report 
X = data.loc[:, data.columns != 'Class']
Y = data.loc[:, data.columns == 'Class']
features_train, features_test, labels_train, labels_test = train_test_split(X,   Y,   test_size=0.2,  random_state=0)
  ## sample 生成
oversampler=SMOTE(random_state=0)
new_features,new_labels=oversampler.fit_sample(features_train,labels_train)

这样数据合成之后，二者便会有相同的样本数了，接下来便可以进行逻辑回归生成模型

模型的生成与调参

对于有监督学习算法，过拟合比欠拟合有时更难处理，尤其是过多的特征与过少的数据，最会容易导致过拟合问题
解决过拟合问题，通常有增加数据集，和减少模型复杂度（比如减少学习特征，让某个特征不被模型学习到），而正则化则是减少模型复杂度的一种方法
正则化中我们将保留所有的特征变量，但是会减小特征变量的数量级（参数数值的大小θ(j)）。
sk_learn 逻辑回归算法，提供了c值也就是正则化系数倒数供我们选择，c值越小，对应越强的正则化，越强的正则化越能得到一个更简单的假设曲线，也就越能减少过拟合的风险(可以，这很“奥体姆剃刀”)，下面使用不同的c值进行准确率的计算

from sklearn.linear_model import LogisticRegression
fold = KFold(len(os_labels),5,shuffle=False) 
c_param_range = [0.01,0.1,1,10,100]
for c_param in c_param_range:
    print('C parameter: ', c_param)
    listacc=[]
    for iteration, indices in enumerate(fold,start=1):
       
        lr = LogisticRegression(C = c_param, penalty = 'l1')
        lr.fit(new_features.iloc[indices[0],:],new_labels.iloc[indices[0],:].values.ravel())
        predicted_data=lr.predict(new_features.iloc[indices[1],:].values)
        recall_acc = recall_score(new_labels.iloc[indices[1],:].values,predicted_data)
        listacc.append(recall_acc)
        print" recall score = {}".format(recall_acc)
    print "mean_acc:{}".format(float(sum(listacc))/len(listacc))

penalty参数选择l1正则化范式，比较适合模型的特征非常多，同时希望将一些不重要的特征系数归零，从而让模型系数更加稀疏，权重值更低
这里衡量精度采用recall_score，也就是召回率，而不是准确率和正确率。

召回率=TP/(TP+FN)
也就是真正为正例的样本中，正确预测为正例的比例
这里以欺诈为正例。

也就是说假设真的欺诈数目有10个，我们正确预测到了其中9个，其召回率也就是0.9。
如上图最终输出结果为

.....
('C parameter: ', 0.01)
 recall score = 0.922580645161
 recall score = 0.901315789474
 recall score = 0.931415292686
 recall score = 0.922632197931
 recall score = 0.921346215144
mean_acc:0.919858028079
('C parameter: ', 0.1)
 recall score = 0.922580645161
 recall score = 0.907894736842
 recall score = 0.932123492309
 recall score = 0.924105032919
 recall score = 0.922500302261
mean_acc:0.921840841899
('C parameter: ', 1)
 recall score = 0.916129032258
 recall score = 0.907894736842
 recall score = 0.932167754786
 recall score = 0.924324859037
 recall score = 0.922687154461
mean_acc:0.920640707477
.......

这里选取recall平均值最大的c值，即为0.1
接下来，把预测结果的结果精度显示在一个混淆矩阵里面，看下当前预测结果，（绘制混淆矩阵代码，参考自网上）

from sklearn.cross_validation import KFold, cross_val_score
from sklearn.metrics import confusion_matrix,recall_score,classification_report 
import itertools
from sklearn.linear_model import LogisticRegression
def plot_confusion_matrix(cm, classes,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=0)
    plt.yticks(tick_marks, classes)

    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, cm[i, j],
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

image

单单看召回率还是不错，可是右上角的还有1045个的误杀（即将正常的判断为欺诈），接下来考虑设置不同的判断阈值来做更严格的划分并画出混淆矩阵，默认的是0.5 即将将结果划分为超过50%一侧的值。

lr = LogisticRegression(C = 0.1, penalty = 'l1')
lr.fit(new_features,new_labels.values.ravel())
y_pred_proba = lr.predict_proba(features_test.values)
from __future__ import division 
thresholds = [0.6,0.7,0.8,0.9]

plt.figure(figsize=(10,10))

j = 1
for i in thresholds:
    y_test_predictions_high_recall = y_pred_proba[:,1] > i
    
    plt.subplot(3,3,j)
    j += 1
    
    cnf_matrix = confusion_matrix(labels_test,y_test_predictions_high_recall)
    np.set_printoptions(precision=2)

    print "Recall:{}".format(cnf_matrix[1,1]/(cnf_matrix[1,0]+cnf_matrix[1,1]))
   
    class_names = [0,1]
    plot_confusion_matrix(cnf_matrix
                          , classes=class_names
                          , title='Threshold >= %s'%i) 

结果如下

image

很明显 随着判断阈值越大（即判断的要求更严格），召回率是下降趋势的，但是误杀的概率则明显下降，综合来看0.8附近是个相对比较合理的值。