随着信用卡交易量的增长,欺诈百分比也在上升,包括机构打击和补偿受害者的间接费用。将机器学习用于金融部门可以更有效地保护欺诈和其他经济犯罪。经过适当训练的机器学习分类器有助于主动欺诈检测,改善利益相关者的信任和对非法交易的鲁棒性。但是,由于欺诈数据的极为不平衡的性质以及准确,完全完全确定欺诈行为的挑战,以创建金标准的地面真相,因此基于机器学习的欺诈检测算法的设计是具有挑战性和缓慢的。此外,没有基准或标准分类器评估指标来衡量和识别更好的性能分类器,从而使研究人员处于黑暗状态。在这项工作中,我们建立了一个理论基础,以模拟人类注释错误和现实世界欺诈检测数据集中典型的极端失衡。通过对假设分类器进行经验实验,并具有近似于流行的现实世界信用卡欺诈数据集的合成数据分布,我们模拟了人类注释错误和极端失衡,以观察流行的机器学习分类器评估矩阵的行为。我们证明,按照特定顺序,合并的F1分数和G均值是典型不平衡欺诈检测模型分类的最佳评估指标。
translated by 谷歌翻译