机器学习——信用卡反欺诈案例
导入类库
1 import numpy as np 2 import pandas as pd 3 from pandas import Series, DataFrame 4 import matplotlib.pyplot as plt 5 from sklearn.preprocessing import StandardScaler 6 from imblearn.over_sampling import SMOTE 7 from sklearn.ensemble import GradientBoostingClassifier 8 from sklearn.model_selection import train_test_split 9 from sklearn.linear_model import LogisticRegression 10 from sklearn.metrics import confusion_matrix 11 import itertools 12 from sklearn.model_selection import GridSearchCV 13 from sklearn.metrics import auc, roc_curve
作图函数
1 def plot_confusion_matrix(cm, classes, 2 title=\'Confusion matrix\', 3 cmap=plt.cm.Blues): 4 """ 5 This function prints and plots the confusion matrix. 6 """ 7 plt.imshow(cm, interpolation=\'nearest\', cmap=cmap) 8 plt.title(title) 9 plt.colorbar() 10 tick_marks = np.arange(len(classes)) 11 plt.xticks(tick_marks, classes, rotation=0) 12 plt.yticks(tick_marks, classes) 13 14 threshold = cm.max() / 2. 15 for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])): 16 plt.text(j, i, cm[i, j], 17 horizontalalignment="center", 18 color="white" if cm[i, j] > threshold else "black") # 若对应格子上面的数量不超过阈值则，上面的字体为白色，为了方便查看 19 20 plt.tight_layout() 21 plt.ylabel(\'True label\') 22 plt.xlabel(\'Predicted label\') 23 plt.show()
数据获取与解析
数据为结构化数据，不需要抽特征转化， 但特征Time和Amount的数据规格和其他特征不一样， 需要对其做特征做特征缩放
1 credit = pd.read_csv(\'./creditcard.csv\') 2 3 print(\'原始行列 >>>>\', credit.shape) # (284807行, 31列) 4 # print(credit.head()) # 前5行 5 # print(credit.dtypes) # 查看特征(列)类型。结果：数据类型只有float64和int64 6 # print(credit.isnull().any()) # 判断是否有缺失值。结果：无缺失值，方便后续处理 7 # print(credit.info()) # 查看数据集详细信息(类型，占用大小，缺失值，行列等)
特征工程
1 # c_counts = credit[\'Class\'].value_counts() 2 # print(c_counts, type(c_counts)) # 对Class列分类统计,并判断类型 3 # print(c_counts.index, c_counts.values) # 提取索引和值 4 \'\'\' 5 结果： 6 0 284315 7 1 492 8 Name: Class, dtype: int64 9 Name: Class, dtype: int64 <class \'pandas.core.series.Series\'> 10 Int64Index([0, 1], dtype=\'int64\') [284315 492] 11 \'\'\' 12 13 # 对c_counts作图进行分析 14 # plt.figure(figsize=(10, 6)) 15 # 饼图：两种作图方式 16 # ax = plt.subplot(121) 17 # c_counts是pandas的Series类型，pandas可以使用plot快速作图 18 # c_counts.plot(kind=\'pie\', autopct=\'%0.3f%%\', ax=ax) 19 # plt.pie(c_counts, autopct=\'%0.3f%%\') 20 21 # 柱状图：两种作图方式 22 # ax = plt.subplot(122) 23 # c_counts.plot(kind=\'bar\', ax=ax) 24 # plt.bar(c_counts.index, c_counts.values) 25 # plt.show() 26 \'\'\' 27 存在492例盗刷，占总样本的0.17%， 28 存在明显的数据类别不平衡问题， 29 可采用过采样(增加数据)的方法处理该问题 30 \'\'\'
特征转换
将时间从单位每秒化为单位每小时 divmod(7201,3600) 结果：(2, 1) 元组，2为商，1为余数
1 credit[\'Time\'] = credit[\'Time\'].map(lambda x: divmod(x, 3600)[0]) 2 # print(credit[\'Time\']) # map高级函数：将Time中的每个元素作用于lambda函数
特征选择
1 # Class列中值为0的为True，值为1为False，生成的cond0行数不变 2 # cond0 = credit[\'Class\'] == 0 3 # Class列中值为0的为False，值为1为True，生成的cond0行数不变 4 # cond1 = credit[\'Class\'] == 1 5 # print(\'cond0 >>>>\', len(cond0)) 6 # print(\'cond1 >>>>\', len(cond1)) 7 8 # 作图分析 9 # credit[\'V1\'][cond0].plot(kind=\'hist\', bins=500) 10 # credit[\'V1\'][cond1].plot(kind=\'hist\', bins=50) 11 # plt.show() 12 13 # 调试查看用 14 # print("credit[\'V1\'] >>>>", credit[\'V1\']) 15 # print(\'cond0 >>>>\', cond0) 16 # print(\'cond1 >>>>\', cond1) 17 18 # 筛选出存在于V1列中且在cond0中为True的值(284315) 19 # print("credit[\'V1\'][cond0] >>>>", credit[\'V1\'][cond0]) 20 # 筛选出存在于V1列中且在cond0中为True的值(492) 21 # print("credit[\'V1\'][cond1] >>>>", credit[\'V1\'][cond1]) 22 23 \'\'\' 作图分析：将每一个特征根据Class的真假进行划分， 图像中两种图形的重合度越大说明该特征对Class的影响越小， 所以需要剔除掉无用的特征 \'\'\' 24 # cols = [\'V1\', \'V2\', \'V3\', \'V4\', \'V5\', \'V6\', \'V7\', \'V8\', \'V9\', \'V10\', 25 # \'V11\', \'V12\', \'V13\', \'V14\', \'V15\', \'V16\', \'V17\', \'V18\', \'V19\', \'V20\', 26 # \'V21\', \'V22\', \'V23\', \'V24\', \'V25\', \'V26\', \'V27\', \'V28\'] 27 # 作图：28行，1列，每一行显示一个特征对应的图 28 # plt.figure(figsize=(12, 2800)) 29 # for i, col in enumerate(cols): 30 # ax = plt.subplot(28, 1, i + 1) 31 # density(normed)标准化数据：将过大或过小的数据统一标准化 32 # credit[col][cond0].plot(kind=\'hist\', bins=500, density=True, ax=ax) 33 # credit[col][cond1].plot(kind=\'hist\', bins=50, density=True, ax=ax) 34 # 35 # ax.set_title(col) 36 # plt.show() 37 38 # 待剔除的列(10列) 39 drops = [\'V13\', \'V15\', \'V20\', \'V22\', \'V23\', \'V24\', \'V25\', \'V26\', \'V27\', \'V28\'] 40 # 删除指定列(axis=1按列，axis=0按行) 41 credit2 = credit.drop(labels=drops, axis=1) 42 print(\'人眼剔除无用列后 >>>>\', credit2.shape) 43 \'\'\' 不同变量在信用卡被盗刷和信用卡正常的不同分布情况， 选择在不同信用卡状态下的分布有明显区别的变量。
因此剔除变量V13 、V15 、V20 、V22、 V23 、V24 、V25 、V26 、V27 和V28变量 \'\'\'
特征缩放
Amount变量和Time变量的取值范围与其他变量相差较大， 所以要对其进行特征缩放
1 # print(\'原Amount数据最大值\', credit2[\'Amount\'].max()) 2 # print(\'原Amount数据最小值\', credit2[\'Amount\'].min()) 3 # print(\'原Time数据最大值\', credit2[\'Time\'].max()) 4 # print(\'原Time数据最小值\', credit2[\'Time\'].min()) 5 6 # 创建标准化对象 7 standScaler = StandardScaler() 8 cols = [\'Time\', \'Amount\'] 9 # 标准化数据 10 credit2[cols] = standScaler.fit_transform(credit2[cols]) 11 # print(\'标准化Amount后最大值 >>>>\', credit2[\'Amount\'].max()) 12 # print(\'标准化Amount后最小值 >>>>\', credit2[\'Amount\'].min()) 13 # print(\'标准化Time后最大值 >>>>\', credit2[\'Time\'].max()) 14 # print(\'标准化Time后最小值 >>>>\', credit2[\'Time\'].min())
特征重要性排序
对特征的重要性进行排序，以进一步减少变量 利用GBDT梯度提升决策树进行特征重要性排序
1 # 创建GBDT对象 2 # clf = GradientBoostingClassifier() 3 # 特征训练集：前20列 4 # X_train = credit2.iloc[:, :-1] 5 # print(\'X_train.shape >>>>\', X_train.shape) 6 # cols = X_train.columns 7 # print(\'X_train.columns >>>>\', X_train.columns) 8 # 目标值训练集：Class列 9 # y_train = credit2[\'Class\'] # y_train = credit2.iloc[:,-1] 10 # print(\'y_train.shape >>>>\', y_train.shape) 11 # 训练数据 12 # clf.fit(X_train, y_train) 13 # 得到特征重要性数据 14 # feature_importances_ = clf.feature_importances_ 15 # print(\'feature_importances_ >>>>\', feature_importances_) 16 # 从大到小对特征重要性进行排序，并作图分析 17 # argsort()：对数组排序并返回排序后每个元素对应的未排序时自身所在的索引 18 # index = feature_importances_.argsort()[::-1] 19 # print(\'从大到小排列特征重要性，返回每个元素的原索引 >>>>\', index, len(index)) 20 21 # plt.figure(figsize=(12, 9)) 22 # 柱状图，第二个参数代表按从大到小排列的特征数据 23 # plt.bar(np.arange(len(index)), feature_importances_[index]) 24 # 柱状图x坐标：第二个参数是按特征值从大到小排列后的特征名 25 # plt.xticks(np.arange(len(index)), cols[index]) 26 # plt.show() 27 # 根据图像得到要删除的特征列(最小的后9列) 28 drops = [\'V7\', \'V21\', \'V8\', \'V5\', \'V4\', \'V11\', \'V19\', \'V1\', \'Amount\'] 29 credit3 = credit2.drop(labels=drops, axis=1) 30 print(\'通过GBDT分析剔除无用列后 >>>>\', credit3.shape) 31 # print(\'credit3.columns >>>>\', credit3.columns)
模型训练
处理样本不平衡问题 目标变量“Class”正常和被盗刷两种类别的数量差别较大，会对模型学习造成困扰。 举例来说，假如有100个样本，其中只有1个是被盗刷样本， 其余99个全为正常样本，那么学习器只要制定一个简单的方法： 即判别所有样本均为正常样本，就能轻松达到99%的准确率。 而这个分类器的决策对我们的风险控制毫无意义。 因此，在将数据代入模型训练之前，我们必须先解决样本不平衡的问题。 现对该业务场景进行总结如下： 过采样（oversampling）： 增加正样本使得正、负样本数目接近，然后再进行学习。 欠采样（undersampling）： 去除一些负样本使得正、负样本数目接近，然后再进行学习。 本次处理样本不平衡采用的方法是过采样， 具体操作使用SMOTE（Synthetic Minority Oversampling Technique）， SMOET的基本原理是： 采样最邻近算法，计算出每个少数类样本的K个近邻， 从K个近邻中随机挑选N个样本进行随机线性插值， 构造新的少数样本，同时将新样本与原数据合成，产生新的训练集。
1 # SMOTE 过采样 2 X = credit3.iloc[:, :-1] 3 y = credit3.Class 4 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3) 5 X_train,y_train 作为训练数据 训练时，保证样本均衡，将X_train和y_train样本过采样处理 测试时候，可以样本不均衡 6 # print(\'未均衡的y训练集分类统计(Class) >>>>\', y_train.value_counts()) 7 8 smote = SMOTE() 9 # ndarray 10 X_train_new, y_train_new = smote.fit_sample(X_train, y_train) 11 # print(\'均衡后的x训练集 >>>>\', X_train_new, type(X_train_new)) 12 # print(\'均衡后的y训练集(Class) >>>>\', y_train_new, type(y_train_new), len(y_train_new)) 13 # y_train_new类型为numpy.ndarray，需转化为pandas.Series类型才可分类统计 14 # print(\'均衡后的y训练集分类统计(Class) >>>>\', Series(y_train_new).value_counts())
求召回率
单独的逻辑回归求得查全率Recall rate,Recall也叫召回率
1 # 创建逻辑回归对象 2 # logistic = LogisticRegression() 3 # print(logistic) 4 \'\'\' 5 LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, 6 intercept_scaling=1, max_iter=100, multi_class=\'ovr\', n_jobs=1, 7 penalty=\'l2\', random_state=None, solver=\'liblinear\', tol=0.0001, 8 verbose=0, warm_start=False) 9 \'\'\' 10 # 训练均衡后的数据 11 # logistic.fit(X_train_new, y_train_new) 12 # 预测 13 # y_ = logistic.predict(X_test) 14 # print(\'y_test >>>>\', y_test) 15 # print(\'预测的y_ >>>>\', y_) 16 # 交叉表 17 # print(\'交叉表 >>>>\', pd.crosstab(y_test, y_, margins=True)) 18 19 # 混合矩阵 20 # cm = confusion_matrix(y_test, y_) 21 # print(\'混合矩阵 >>>>\', cm, type(cm)) 22 # Recall------“正确被检索的正样本item(TP)"占所有"应该检索到的item(TP+FN)"的比例 23 # plot_confusion_matrix(cm, [0, 1], title=\'Recall:%0.3f\' % (cm[1, 1] / (cm[1, 0] + cm[1, 1])))
交叉验证与调优
1 logistic = LogisticRegression() 2 clf = GridSearchCV(logistic, param_grid={\'tol\': [1e-3, 1e-4, 1e-5], \'C\': [1, 0.1, 10, 100]}, cv=10, iid=False, n_jobs=1) 3 print(clf.fit(X_train_new, y_train_new)) 4 # print(\'best_score_ >>>>\', clf.best_score_) 5 # print(\'best_params_ >>>>\', clf.best_params_) 6 # print(\'best_index_ >>>>\', clf.best_index_) 7 # print(\'best_estimator_ >>>>\', clf.best_estimator_) 8 9 # 预测 10 # y3_ = clf.best_estimator_.predict(X_test) 11 # print(\'y3_预测(best_estimator_) >>>>\', confusion_matrix(y_test, y3_)) 12 13 # y2_ = clf.predict(X_test) 14 # print(\'y2_预测 >>>>\', confusion_matrix(y_test, y2_)) 15 16 # cm2 = confusion_matrix(y_test, y2_) 17 18 # 可视化，对比逻辑斯蒂回归和GridSearchCV结果 19 # plot_confusion_matrix(cm, [0, 1], title=\'Logistic Recall:%0.3f\' % (cm[1, 1] / (cm[1, 0] + cm[1, 1]))) 20 # plot_confusion_matrix(cm2, [0, 1], title=\'GridSearchCV Recall:%0.3f\' % (cm2[1, 1] / (cm2[1, 0] + cm2[1, 1])))
模型评估
解决不同的问题，通常需要不同的指标来度量模型的性能。 例如我们希望用算法来预测癌症是否是恶性的， 假设100个病人中有5个病人的癌症是恶性， 对于医生来说，尽可能提高模型的查全率（recall）比提高查准率（precision）更为重要， 因为站在病人的角度，发生漏发现癌症为恶性比发生误 判为癌症是恶性更为严重 由此可见就上面的两个算法而言，明显lgb过拟合了， 考虑到样本不均衡问题， 故应该选用简单一点的算法（逻辑回归）来减少陷入过拟合的陷阱
1 y_proba = clf.predict_proba(X_test) 2 # 预测被盗刷的概率 3 print(y_proba)
版权声明：本文为siplips原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。