信用卡詐騙分析

1.項目介紹

數據集包含某年9月份歐洲用戶在兩天時間里發生的284807宗交易，其中包括492宗詐騙。項目通過描述性分析探索詐騙案的相關特點和模式，再通過機器學習算法創建預測模型、調參，並通過混淆矩陣等方法選擇模型。

2.數據清理

2.1導入數據

library(data.table) # fread()

# 載入數據
cards<-fread("D:/R/practise/……/creditcard.csv") # 原始數據集有143MB,用數據操作包data.table，fread函數讀取速度是原生函數的近10倍。

2.2 數據概覽

查看數據總體情況、變量類型、缺失值、 異常值、分布類型等等

  library(VIM) # aggr()

# 查看數據總體情況，建立數據詞典
str(cards)
summary(cards)

aggr(cards) # 可視化缺失值
# 其他判斷缺失值辦法：table(is.na(cards))

# 查看樣本數據分布
prop.table(table(cards$Class)) # 正例為僅為0.001727486 
qplot(x=cards$Class,data=cards,geom="bar",fill=cards$Class) # 可視化效果

數據詞典

缺失值情況：無

樣本分布情況：正類僅為0.001727486，占比例非常低，據此訓練的模型，對正類（詐騙）案件不敏感，會更偏向識別正常交易。在訓練模型時候需要對訓練集做調整（詳情見后）

2.3 數據處理

# 數據塑形 時間轉換 秒——小時
cards$Time_new<-round(cards$Time/3600,0) # 將時間以秒為單位轉換為 以小時為單位
cards$Time<-NULL # 數據集中原時間變量已經無效，可刪
cards<-cards %>% select(Class,everything()) # 將變量Class調整到第一列
class(cards$Class)
cards$Class<-as.factor(cards$Class) # 變量class轉換為因子型

# 解決數據失衡問題

cards_0<-cards[cards$Class=='0'] # 正常 非詐騙交易
cards_1<-cards[cards$Class=='1'] # 詐騙案例

index1<-sample(1:nrow(cards_0),size = nrow(cards_1))
# 合並數據集
cards_new<-rbind(cards_1,cards_0[index1])
# 歸一化處理

library(caret)

standard <- preProcess(cards_new, method = 'range') # caret包中函數，range表示區間為[-1:1]
card_new2 <- predict(standard, cards_new)
traindata_2 <- card_new2[index2, ] # index2 見52行
testdata_2 <- card_new2[-index2, ]

2.4 數據划分

# 對新數據集進行做訓練集、測試集的划分
index2<-createDataPartition(cards_new$Class,times = 1,p=.7,list = F)
train_cards<-cards_new[index2,] # 訓練集
test_cards<-cards_new[-index2,] # 測試集

3.數據探索——描述性統計分析

數據集中第2列到第28列都是PCA數據，無法做有效描述性統計分析，故這里主要基於時間、金額等進行分析。

# 詐騙案發生時間、金額分布
p1<-ggplot(cards_1,aes(x=factor(Time_new),fill=factor(Time_new)))+
  geom_bar(stat = 'count')+
  labs(title = 'Time Distribution of\nFraud Cases',x='Time',y='Count')+
  theme_classic()+
  theme(legend.position='none')

# 計算每小時詐騙案涉及金額
# cards_1$Time_new<-as.factor(as.character(cards_1$Time_new))
Amount_money<-rowsum(cards_1$Amount,group=cards_1$Time_new) # 數據准備
Amount_c<-Amount_money[,1]
Time_c<-0:47
DF_money<-data.frame(Time_c,Amount_c)
p2<-ggplot(DF_money,aes(x=factor(Time_c),y=Amount_c,fill=Time_c))+
  geom_bar(stat = 'identity')+
  labs(title = 'Distribution bar chart of \nfraud amount',x='Time')+
  theme(legend.position='none')
library(Rmisc)
multiplot(p1,p2,cols = 1)

描述性分析結論：

從總趨勢說，第一天多余第二天（但因為沒有更多的數據，更長的時間軸，這一點無法得出有效結論）；

整體看每小時平均詐騙數量在10次以下，涉案金額在500歐元左右；

從時間上說，詐騙發生次數在一天中的后半夜居多；

從涉案金額來說，而平均詐騙金額基本與次數相對應。其中第二天凌晨兩點發生次數最多，30余起，對應的金額也是最大，超過3000歐元。

4.數據建模

4.1 隨機森林模型

# 使用五折交叉驗證方法建立隨機森林模型
set.feed(1234)
model_rf <- train(Class ~., data = train_cards, method = 'rf', 
                  trControl = trainControl(method = 'cv', 
                                           number = 5,
                                           selectionFunction = 'oneSE')) # 利用訓練集建立隨機森林模型
pred_model<-predict(model_rf,test_cards[,-1]) # 測試模型
confusionMatrix(data=pred_model,reference=test_cards$Class) # 准確率為94.9%
plot(varImp(model_rf))   # 查看模型中變量的重要程度

查看模型：

查看模型中變量的重要程度：

 

 4.2 K近鄰值算法（KNN算法）

results = c()      # 創建一個空向量
for(i in 1:10) {
  set.seed(1234)
  pred_knn <- knn(train=traindata_2[,2:30], test=testdata_2[,2:30], cl=traindata_2$Class, i)
  Table <- table(pred_knn, testdata_2$Class)
  accuracy <- sum(diag(Table))/sum(Table) # diag()提取對角線上的值
  results <- c(results, accuracy)
}

plot(x = 1:10, y = results, type = 'b', col = 'blue', xlab = 'k', ylab = 'accuracy')

# 根據圖像k=4時，准確率最高。
pred_knn <- knn(train=traindata_2[,2:30], test=testdata_2[,2:30], cl=traindata_2$Class, 4)
confusionMatrix(pred_knn,testdata_2$Class) # 准確率為95.24%

 

 4.3 模型評估

 通過隨機森林、k近鄰算法分別得到model_rf、pred_knn兩個模型，下面根據查全率、查准率和kappa三個維度評估模型。

 

5.結論

 模型pred_knn在查全率、查准率以及kappa三個評估維度上都高於model_rf，其中查准率達到95.24%，在134個詐騙案中，只有1個判斷錯誤，可用性比較高。

 

 補充

為了方便描述，添加包沒有放在文前

# 加載添加包
library(data.table) # fread()
library(VIM)        # aggr()
library(caret)      # 機器學習相關
library(dplyr)      # select()
library(ggplot2)    # ggplot/qplot
library(Rmisc)      # multiplot()
library(randomForest) # 隨機森林
library(class)       # knn模型