基于机器学习的金融欺诈检测模型

作者 | 陈峻

审校 | 重楼

引言

如今，基于互联网服务的欺诈案例时常登顶媒体头条，而使用在线服务和数字交易的金融行业尤其成为了重灾区。网络洗钱、保险欺诈、网银盗用、虚假银行交易等复杂金融欺诈行为层出不穷，我们亟待通过行之有效的欺诈识别与检测的手段，来保护个人和组织免受巨大的经济损失。

作为一种自适应性强、可扩展性高的技术，机器学习算法具有从数据中学习、发现复杂模式的能力，因此被广泛地应用于各种科学领域。而检测金融欺诈正是其能够大显身手的新赛道。

模型介绍

目前，被用于金融欺诈检测的典型算法包括：逻辑回归（LR）、支持向量机（SVM）、K-近邻（KNN）、奈夫贝叶斯（NB）、决策树（DT）、随机森林（RF）和增强奈夫贝叶斯 (TAN)等。其中，

• SVM使用最佳超平面对数据点进行分类
• KNN根据K-Nearest Neighbors对交易进行分类
• NB使用概率学习来估计类别的概率
• DT通过生成决策树以进行基于特征的分类
• RF结合决策树以减少过拟合
• TAN通过树状依赖结构来增强NB以捕捉特征相关性

这些模型为识别和检测金融欺诈提供了多种方法，有助于建立出强大的实时欺诈检测系统。当然，它们各有利弊，在为具体应用选择算法时，我们需要考虑数据集的大小、特征空间、处理需求、以及可解释性等因素。

为此，一种改进的集合机器学习（Ensemble Machine Learning）技术应运而生。它能够将多个单独的算法模型组合在一起，通过重点优化模型的各项参数、提高性能指标，以及整合深度学习（如Bagging、Boosting和Stacking），进而创建出可以修复识别到的错误、并减少假阴性的强大欺诈检测系统。

集合学习检测模型

既然是组合，那么我们便可以综合选配各种机器学习分类器。而每一种分类器都会以其独特的优势发挥应有的作用。

如上图所示，一个典型的金融欺诈类识别与检测模型会包括如下组件：

• SVM，擅长为类别分离确定适当的超平面
• LR，对事件概率进行建模
• RF，能够建立稳健的决策树
• KNN，根据近邻中的多数类进行分类
• Bagging，会使用KNN作为基本分类器，以进一步丰富集合
• Boosting，使用RF作为基础分类器
• 最下方的投票分类器（Voting Classifier）可以综合上述分类器的各种预测结果

由于采用了集合机器学习的协同方式，因此该模型在检测金融领域少数类别的数据，以及解决类别不平衡方面，具有出色的表现。其根本意愿在于，集合模型有助于聚集不同的弱学习算法，以增强其整体识别与检测能力，进而提高相关决策的可解释性和透明度。此外，与深度学习架构相比，集合式计算的密集度较低，因此也更适合金融领域本来就计算资源有限的场景。

检测模型的评估

我们该如何来评估机器学习系统对于具体金融欺诈的检测效果呢？通常，业界会采用如下基本流程：

• 首先，选择一个包含了合法交易和欺诈交易记录的数据集。
• 由于数据集中存在着各种无序、原始、残缺、以及重复的实例，系统的检测很容易出现误差，因此我们需要进行数据预处理，使其适合模型的训练和测试。
• 接着，鉴于欺诈交易只占整体交易数据的一小部分，我们需要对不平衡的数据集进行采样。
• 然后，系统将整理好的采样数据分为训练样本和测试样本，使用其中的训练样本对已选的机器学习模型进行训练，并使用这两种样本来观察训练模型的行为。
• 在获得准确率、精确度、召回率、F1分数等选定评估参数的结果后，对系统的整体能力进行分析和比较。

模型评估标准

在评估模型的清晰度和理解度时，业界通常会使用混淆矩阵（Confusion Matrix）。如下图所示，该矩阵由真阳性(TP)、真阴性(TN)、假阳性(FP)和假阴性(FN)四个直观的象限组成：

基于上述矩阵，目前被业界广泛认可的是模型评估标准通常包括：准确率、精确度、召回率和F1分数四个方面的指标。其中：

• 准确率，是所有正确预测（TP + TN）与样本中预测或条目总数（TP + TN + FN + FP）之比。
• 精确度，是TP与模型所做的所有正面预测（TP + FP）之比。换句话说，它是模型做出的正面预测的准确度。
• 召回率，是用来衡量机器学习模型识别正向类所有实例的能力指标。它是正确预测到的阳性观察结果（TP）与实际阳性观察结果总数（TP+FN）的比率。
• F1分数，是将精确度和召回率的结果合并为一个平衡的平均值指标。

评估模型的准确率

目前，有专家将集合学习模型与里面包含的LR、RF、KNN、Bagging、Boosting模型进行了逐一比较。就同样的数据集测试样本而言，其结果的精确度、召回率和F1分数如下表所示：

可见，集合学习模型能够很好地捕捉到相关数据，对其进行精确预测，从而实现了对特定数据的高灵敏度，并保持了稳定的较低误判率。

下表则更全面地向您展示了将各种典型机器学习算法，被运用到实时金融欺诈场景的准确率综合比较：

评估模型效率

除了准确率维度，我们也应该评估模型的计算效率。这往往涉及到在检测过程中，模型所需的训练和测试时间，以及这些过程对内存和存储等系统资源的利用率。

注意：上表中的内存使用值是以兆字节（MiB）为单位，换算系数关系为1 MiB等于1.04858 MB。

总体而言，不同算法的训练和测试时间各不相同。其中，LR、SVM和KNN算法的训练时间较长，但测试时间较短；而其他模型则呈现出相反的趋势。

小结

综合上述，通过利用各种计算学习算法，我们不但可以提高金融欺诈检测的准确性和效率，而且能够尽早地发现潜在的欺诈活动，进而及时采取预防和抵御的措施，以减少其影响。

同时，随着信用卡欺诈技术的不断发展，能够有效综合各种算法优势的集合机器学习检测模型，已为我们进一步开发更具扩展性和适应性的欺诈检测系统，奠定了基础。从而在保证金融系统安全的同时，持续维护了消费者对于多元化互联网金融交易的信心。

作者介绍

陈峻（Julian Chen），51CTO社区编辑，具有十多年的IT项目实施经验，善于对内外部资源与风险实施管控，专注传播网络与信息安全知识与经验。