作者 | 陳峻

審校 | 重樓

引言

如今，基于互聯網服務的欺詐案例時常登頂媒體頭條，而使用在線服務和數字交易的金融行業尤其成為了重災區。網絡洗錢、保險欺詐、網銀盜用、虛假銀行交易等復雜金融欺詐行為層出不窮，我們亟待通過行之有效的欺詐識別與檢測的手段，來保護個人和組織免受巨大的經濟損失。

作為一種自適應性強、可擴展性高的技術，機器學習算法具有從數據中學習、發現復雜模式的能力，因此被廣泛地應用于各種科學領域。而檢測金融欺詐正是其能夠大顯身手的新賽道。

模型介紹

目前，被用于金融欺詐檢測的典型算法包括：邏輯回歸（LR）、支持向量機（SVM）、K-近鄰（KNN）、奈夫貝葉斯（NB）、決策樹（DT）、隨機森林（RF）和增強奈夫貝葉斯 (TAN)等。其中，

• SVM使用最佳超平面對數據點進行分類
• KNN根據K-Nearest Neighbors對交易進行分類
• NB使用概率學習來估計類別的概率
• DT通過生成決策樹以進行基于特征的分類
• RF結合決策樹以減少過擬合
• TAN通過樹狀依賴結構來增強NB以捕捉特征相關性

這些模型為識別和檢測金融欺詐提供了多種方法，有助于建立出強大的實時欺詐檢測系統。當然，它們各有利弊，在為具體應用選擇算法時，我們需要考慮數據集的大小、特征空間、處理需求、以及可解釋性等因素。

為此，一種改進的集合機器學習（Ensemble Machine Learning）技術應運而生。它能夠將多個單獨的算法模型組合在一起，通過重點優化模型的各項參數、提高性能指標，以及整合深度學習（如Bagging、Boosting和Stacking），進而創建出可以修復識別到的錯誤、并減少假陰性的強大欺詐檢測系統。

集合學習檢測模型

既然是組合，那么我們便可以綜合選配各種機器學習分類器。而每一種分類器都會以其獨特的優勢發揮應有的作用。

如上圖所示，一個典型的金融欺詐類識別與檢測模型會包括如下組件：

• SVM，擅長為類別分離確定適當的超平面
• LR，對事件概率進行建模
• RF，能夠建立穩健的決策樹
• KNN，根據近鄰中的多數類進行分類
• Bagging，會使用KNN作為基本分類器，以進一步豐富集合
• Boosting，使用RF作為基礎分類器
• 最下方的投票分類器（Voting Classifier）可以綜合上述分類器的各種預測結果

由于采用了集合機器學習的協同方式，因此該模型在檢測金融領域少數類別的數據，以及解決類別不平衡方面，具有出色的表現。其根本意愿在于，集合模型有助于聚集不同的弱學習算法，以增強其整體識別與檢測能力，進而提高相關決策的可解釋性和透明度。此外，與深度學習架構相比，集合式計算的密集度較低，因此也更適合金融領域本來就計算資源有限的場景。

檢測模型的評估

我們該如何來評估機器學習系統對于具體金融欺詐的檢測效果呢？通常，業界會采用如下基本流程：

• 首先，選擇一個包含了合法交易和欺詐交易記錄的數據集。
• 由于數據集中存在著各種無序、原始、殘缺、以及重復的實例，系統的檢測很容易出現誤差，因此我們需要進行數據預處理，使其適合模型的訓練和測試。
• 接著，鑒于欺詐交易只占整體交易數據的一小部分，我們需要對不平衡的數據集進行采樣。
• 然后，系統將整理好的采樣數據分為訓練樣本和測試樣本，使用其中的訓練樣本對已選的機器學習模型進行訓練，并使用這兩種樣本來觀察訓練模型的行為。
• 在獲得準確率、精確度、召回率、F1分數等選定評估參數的結果后，對系統的整體能力進行分析和比較。

模型評估標準

在評估模型的清晰度和理解度時，業界通常會使用混淆矩陣（Confusion Matrix）。如下圖所示，該矩陣由真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)四個直觀的象限組成：

基于上述矩陣，目前被業界廣泛認可的是模型評估標準通常包括：準確率、精確度、召回率和F1分數四個方面的指標。其中：

• 準確率，是所有正確預測（TP + TN）與樣本中預測或條目總數（TP + TN + FN + FP）之比。
• 精確度，是TP與模型所做的所有正面預測（TP + FP）之比。換句話說，它是模型做出的正面預測的準確度。
• 召回率，是用來衡量機器學習模型識別正向類所有實例的能力指標。它是正確預測到的陽性觀察結果（TP）與實際陽性觀察結果總數（TP+FN）的比率。
• F1分數，是將精確度和召回率的結果合并為一個平衡的平均值指標。

評估模型的準確率

目前，有專家將集合學習模型與里面包含的LR、RF、KNN、Bagging、Boosting模型進行了逐一比較。就同樣的數據集測試樣本而言，其結果的精確度、召回率和F1分數如下表所示：

可見，集合學習模型能夠很好地捕捉到相關數據，對其進行精確預測，從而實現了對特定數據的高靈敏度，并保持了穩定的較低誤判率。

下表則更全面地向您展示了將各種典型機器學習算法，被運用到實時金融欺詐場景的準確率綜合比較：

評估模型效率

除了準確率維度，我們也應該評估模型的計算效率。這往往涉及到在檢測過程中，模型所需的訓練和測試時間，以及這些過程對內存和存儲等系統資源的利用率。

注意：上表中的內存使用值是以兆字節（MiB）為單位，換算系數關系為1 MiB等于1.04858 MB。

總體而言，不同算法的訓練和測試時間各不相同。其中，LR、SVM和KNN算法的訓練時間較長，但測試時間較短；而其他模型則呈現出相反的趨勢。

小結

綜合上述，通過利用各種計算學習算法，我們不但可以提高金融欺詐檢測的準確性和效率，而且能夠盡早地發現潛在的欺詐活動，進而及時采取預防和抵御的措施，以減少其影響。

同時，隨著信用卡欺詐技術的不斷發展，能夠有效綜合各種算法優勢的集合機器學習檢測模型，已為我們進一步開發更具擴展性和適應性的欺詐檢測系統，奠定了基礎。從而在保證金融系統安全的同時，持續維護了消費者對于多元化互聯網金融交易的信心。

作者介紹

陳峻（Julian Chen），51CTO社區編輯，具有十多年的IT項目實施經驗，善于對內外部資源與風險實施管控，專注傳播網絡與信息安全知識與經驗。