基于神经网络的欺诈检测PPT.pptx

基于神经网络的欺诈检测;1 神经网络的欺诈检测的意义 2 本课题研究的内容 3 BP算法以及MATLAB实现 4 欺诈检测的JAVA实现 5 课题研究的结果 6 课题研究的提示;欺诈在电子世界里非常普遍，从保险欺诈到互联网拍卖欺诈，从虚假的救济金申请表到电信欺诈。如果你在互联网上从事一些吸引了众多用户与法人实体的业务，当有人不遵守游戏规则时，能够把它们识别出来，这样的能力是非常有价值的。本课题以欺诈性购买交易作为例子，通过引入分类算法把欺诈交易从正常购买中找出来。;2.1 生物神经网络概述 2.2 生物神经网络处理过程 2.3 人工神经网络概述 2.4 人工神经网络处理过程 2.5 基于神经网络的欺诈检测;神经细胞由一个细胞体(soma)、一些树突(dendrite) 、和一根可以很长的轴突组成。神经细胞体是一颗星状球形物，里面有一个核(nucleus)。树突由细胞体向各个方向长出，本身可???分支，是用来接收信号的。轴突也有许多的分支。轴突通过分支的末梢(terminal)和其他神经细胞的树突相接触,形成所谓的突触(Synapse), 一个神经细胞通过轴突和突触把产生的信号送到其他的神经细胞。 每个神经细胞通过它的树突和大约10,000个其他的神经细胞相连。神经细胞相连组成了神经网络。;2.4 人工神经网络处理过程 ;左边几个灰底圆中所标字母w代表浮点数，称为权重（weight，或权值，权数）。进入人工神经细胞的每一个input(输入)都与一个权重w相联系，正是这些权重将决定神经网络的整体活跃性。你现在暂时可以设想所有这些权重都被设置到了-１和１之间的一个随机小数。因为权重可正可负，故能对与它关联的输入施加不同的影响，如果权重为正，就会有激发（excitory）作用，权重为负，则会有抑制（inhibitory）作用。当输入信号进入神经细胞时，它们的值将与它们对应的权重相乘，作为图中大圆的输入。大圆的‘核’是一个函数，叫激励函数(activation function)，它把所有这些新的、经过权重调整后的输入全部加起来，形成单个的激励值(activation value)。激励值也是一浮点数，且同样可正可负。然后，再根据激励值来产生函数的输出也即神经细胞的输出：如果激励值超过某个阀值（作为例子我们假设阀值为1.0），就会产生一个值为1的信号输出；如果激励值小于阀值1.0，则输出一个0。这是人工神经细胞激励函数的一种最简单的类型。;自己创建了一个正常交易的数据集合，训练集大约包含10000条交易记录，测试集有1000条，每条交易记录由如下属性值所确定。 用户ID 交易ID 交易描述 交易金额 交易x坐标 交易y坐标 一个用于确认交易是（true）否（false）属于欺诈的二值变量;目的很直接，就是创建一个分类器，能基于训练集的交易数据学习如何识别一个欺诈交易，一旦训练好分类器，就希望在来自同一个统计分布的测试集中检验它，;3.1. 数据预处理 3.2 使用Matlab实现神经网络 3.3 Matlab BP网络实例 3.4 结果分析;在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。 数据归一化：将数据映射到[0,1]或[-1,1]区间或更小的区间，比如(0.1,0.9) 。 归一化的原因： 1输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时间长。 2数据范围大的输入在模式分类中的作用可能会偏大，而数据范围小的输入作用就可能会偏小。;3由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数，由于S形函数的值域限制在(0,1)，也就是说神经网络的输出只能限制在(0,1)，所以训练数据的输出就要归一化到[0,1]区间。 4S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)在参数a=1时，f(100)与f(5)只相差0.0067。 Matlab中归一化处理数据可以采用premnmx ， postmnmx ， tramnmx 这3个函数。; 使用Matlab建立前馈神经网络主要会使用到下面3个函数： newff ：前馈网络创建函数 train：训练一个神经网络 sim ：使用网络进行仿真; 本课题的目的主要是做欺诈检测，将数据集分为2组，每组各75个样本，分别对应着欺诈和正常消费。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将欺诈和正常消费分别编号为1，2。 　　使用这些数据训练一个3个输入（分别对应3个特征：位置，花费，描述），2个输出（分别对欺诈消费和正常消费）的网络。;3.