基于隨機森林分類器的C2C電子商務欺詐識別模型構(gòu)建

衛(wèi)昆，李想

（1.西安郵電大學經(jīng)濟與管理學院，西安 710121；2.武漢烽火國際技術有限責任公司，武漢 430000）

1 C2C電子商務發(fā)展及其交易欺詐問題

隨著互聯(lián)網(wǎng)的發(fā)展，C2C電子商務交易模式不斷成熟穩(wěn)定，以其不受地域時間的限制、高效率、低成本等優(yōu)勢而受到越來越多人的青睞。近年來我國電子商務消費者人數(shù)迅速增長，根據(jù)CNNIC第41次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計》，截至2017年12月底我國電子商務市場的交易總額高達29.16億元，較之2016年增幅約為11.7%。網(wǎng)絡購物市場總交易規(guī)模高達6.2億元，比2016年增長24%。2010年C2C市場的交易額約為4651億元，2015年C2C電子商務在中國整體網(wǎng)絡購物市場規(guī)模中增長率為19.5%，2017年天貓雙11全球狂歡節(jié)交易額高達1682億元，年增長39%，數(shù)據(jù)表明C2C電子商務模式發(fā)展空間很大。

2 相關理論方法介紹

2.1 分類器原理

分類器是利用分類技術構(gòu)建的模型，主要是用來預測數(shù)據(jù)對象的離散類別，經(jīng)過對訓練集（由類別已知的數(shù)據(jù)組成）的學習得到一個分類模型，可視作一個目標函數(shù)，待測集（所屬類別未知的數(shù)據(jù)）中的每個樣本通過該目標函數(shù)的映射，得出一個被預測的類別。

2.2 分類器性能評價指標

在分類器構(gòu)建完成后，通常需要使用一系列的指標去衡量它的分類性能，首先是混淆矩陣?；煜仃?，現(xiàn)在假設分類變量只有兩個類別，分別為正例（positive）和負例（negative），其中，True positives(TP)：表示實際為正例且被分類器判斷為正例的樣本的數(shù)量；False positives(FP)：表示實際為負例但被分類器判斷為正例的樣本的數(shù)量；False negatives(FN)：表示實際為正例但被分類器判斷為負例的樣本的數(shù)量；True negatives(TN)：表示實際為負例且被分類器判斷為負例的樣本的數(shù)量。

2.3 決策樹與隨機森林

決策樹可以抽象理解為一個樹形結(jié)構(gòu)，樹中的每個非葉子節(jié)點代表某個屬性，每個分支代表某個屬性值，每個葉子節(jié)點對應著從根節(jié)點到該葉子節(jié)點所經(jīng)歷的路徑表示的樣本的類別，即葉子節(jié)點代表的屬性就是該樣本的分類結(jié)果。

隨機森林分類器是包含多個決策樹的一種組合分類器，最終的分類結(jié)果由這些決策樹共同決定。隨機森林的特點主要體現(xiàn)在它的兩個隨機性上，第一個隨機性是它在構(gòu)建每一個決策樹時，采用自助法（bootstrap)重采樣技術，即有回放地從數(shù)據(jù)集中隨機抽取一定數(shù)量的樣本，第二個隨機性是在決策樹進行節(jié)點分裂時，隨機選擇若干屬性參與比較，以確定分裂節(jié)點。

3 基于隨機森林的C2 C交易欺詐識別模型構(gòu)建

3.1 數(shù)據(jù)收集及屬性確定

本研究從淘寶網(wǎng)收集了真實交易數(shù)據(jù)，整理后共包含41個屬性，其中屬性“is_cheat”為目標屬性，用來表示樣本的類別（欺詐商家，非欺詐商家），由于隨機森林算法在構(gòu)建決策樹節(jié)點時，從數(shù)據(jù)集所有變量（除目標屬性和用于標識的屬性）中隨機選取若干屬性進行比較，所以它能夠處理擁有屬性較多的數(shù)據(jù)，無需進行特征選擇[1]。如表1所示為各屬性名和它們的含義。

該數(shù)據(jù)集含樣本1456條，類別為“欺詐賣家”的樣本數(shù)為621，類別為“非欺詐賣家”的樣本數(shù)為835，訓練集和測試集的樣本數(shù)量。

表1 數(shù)據(jù)集各屬性名及含義

續(xù)表1：

3.2 隨機森林分類器的構(gòu)建與訓練

3.2.1 分類器相關參數(shù)選擇

①mrty參數(shù)的選取

mrty參數(shù)表示隨機森林在分類節(jié)點處選擇參考的屬性的數(shù)量，對隨機森林分類的準確度有很大影響。為了確定mrty的最優(yōu)取值，本文設計如下實驗：將mrty的值分別取為50、100、150，mrty取3至10之間的整數(shù)（若數(shù)據(jù)集的屬性個數(shù)為M，則mrty的值一般取為，由于本研究中，“count_id”和“is_cheat”屬性不計算在內(nèi)，則的值介于6和7之間，所以取3至10之間的整數(shù)進行實驗），以訓練集為數(shù)據(jù)集，以F的值為評價指標，分類器的分類性能和F的值呈正相關。當mrty=6時，F(xiàn)的值比較穩(wěn)定且普遍較高，所以選定mrty的值為6，即將要構(gòu)建的隨機森林分類器在分類節(jié)點處選擇參考的屬性的數(shù)量為6。

②ntree參數(shù)的選取

ntree參數(shù)表示隨機森林中所要生產(chǎn)樹的數(shù)量，它的取值對最終的分類效果也起著至關重要的作用，所以本文也設計如下實驗來確定其最優(yōu)取值：mtry取值為6，將ntree的取值分別設定為 10、40、70、100、130、160、190、220、250，同樣以訓練集為數(shù)據(jù)集，以F的值為評價指標。當mtry=6，ntree=70時，所得到的F值最大，此時分類器的分類效果也相對最好，所以我們將參數(shù)ntree的值確定為70。

3.2.2 隨機森林分類器的訓練

在確定分類器構(gòu)建所需要的軟件及相關參數(shù)的取值后，分類器的運行流程

參數(shù)值確定后，進行分類器的構(gòu)建，在R軟件中輸入如下程序：

library(randomForest);#加載隨機森林程序包

Data_train ＜-read.csv("F：/train.csv",header=TRUE);#讀入訓練集數(shù)據(jù)

Data_test＜-read.csv("F：/test.csv",header=TRUE);# 讀入測試集數(shù)據(jù)

RF ＜-randomForest(is_cheat～ ,Data_train,importance=TRUE,ntree=70,mtry=6);#運行randomForest()函數(shù)

A=predict(RF,Data_test,type="response");#運用測試集對隨機森林分類器進行測試

table(A,Data_test$is_cheat)#將測試結(jié)果進行展示

4 結(jié)論

本文在C2C電子商務交易欺詐日漸嚴重的情況下，提出以數(shù)據(jù)挖掘技術中的隨機森林算法構(gòu)建分類器模型，介紹了決策樹與隨機森林的原理、構(gòu)建過程，對二者的分類性能進行了對比，得出了隨機森林分類器分類效果好于決策樹分類器的結(jié)論。進而運用從淘寶網(wǎng)上收集的真實交易數(shù)據(jù)進行分類器模型的構(gòu)建，通過使用R軟件、確定相關參數(shù)、測試集測試等步驟，構(gòu)建了具有較高分類正確率的隨機森林分類器模型，可以對欺詐商家進行有效的識別。本文工作試圖從C2C電子商務交易賣家數(shù)據(jù)中有效地識別出欺詐賣家，以期望C2C電子商務交易欺詐問題能夠早日得到解決，人們能夠獲得更加良好更加放心的網(wǎng)上購物體驗，賣家可以在公平的環(huán)境下競爭，C2C電子商務持續(xù)健康發(fā)展。