基于動態(tài)集成選擇算法的信用卡審批異常檢測

程建華，龐夢蘭

（安徽大學(xué)大數(shù)據(jù)與統(tǒng)計學(xué)院，合肥 230601）

隨著中國經(jīng)濟的快速發(fā)展，信用卡市場規(guī)模也得到快速增長。截至2021年末，中國的信用卡發(fā)行量已達8億張。隨著交易次數(shù)的增加，利用信用卡進行欺詐行為不斷增多。盡管欺詐行為在整個信用卡交易中的比例很低，但一旦發(fā)生，將會給各商業(yè)銀行造成巨額經(jīng)濟損失。據(jù)中國銀行業(yè)協(xié)會發(fā)布的《中國銀行卡產(chǎn)業(yè)發(fā)展藍皮書（2022）》數(shù)據(jù)顯示，截至2021 年末，信用卡逾期半年未償信貸總額達860.4 億元，較上年增加2.6%。鑒于此，如何迅速、有效識別信用卡欺詐行為以防范風(fēng)險，已成為銀行風(fēng)險控制領(lǐng)域的研究課題。

信用卡欺詐檢測領(lǐng)域存在兩個主要問題：首先，實際生活中，欺詐樣本的數(shù)據(jù)標簽獲取困難，人工標記數(shù)據(jù)成本較高，而且已標記的樣本數(shù)據(jù)量不足以反映真實的欺詐狀況，在大多數(shù)情況下，商業(yè)銀行面臨的是沒有標簽的數(shù)據(jù)集；其次，信用卡交易數(shù)據(jù)存在類別極端不平衡的現(xiàn)象，即欺詐樣本遠小于正常樣本。鑒于此，針對數(shù)據(jù)集中標簽缺失的情況，本文通過挖掘客戶特征中的潛在信息，對潛在風(fēng)險較高的申請發(fā)出預(yù)警，識別“異?？蛻簟保荚趶氖谛艑徟矫姘押藐P(guān)，以此降低欺詐風(fēng)險。

1 文獻綜述

國外在信用卡欺詐檢測方面起步較早，早期的檢測方法主要采用傳統(tǒng)的統(tǒng)計分析方法。20 世紀90年代以來，學(xué)者們開始探索基于數(shù)據(jù)挖掘的信用卡欺詐檢測方法，如決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機等。隨著人工智能技術(shù)的發(fā)展，一些學(xué)者將深度學(xué)習(xí)技術(shù)應(yīng)用到信用卡欺詐檢測領(lǐng)域：Jurgovsky 等[1]將欺詐檢測問題轉(zhuǎn)化為序列分類任務(wù)，使用長短期記憶神經(jīng)網(wǎng)絡(luò)進行預(yù)測，從而有效提高檢測準確率；Fiore等[2]訓(xùn)練生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）模型，利用該模型生成欺詐類樣本，將這些樣本與原始數(shù)據(jù)集合并，從而構(gòu)建一種有效的欺詐檢測機制。目前的欺詐檢測研究大多是基于有監(jiān)督的機器學(xué)習(xí)模型，但數(shù)據(jù)標簽很難獲取，而且已標記的數(shù)據(jù)樣本量有限，無法反映出真實的欺詐情況，此外，信用卡交易類別的分布不平衡，給信用卡欺詐檢測帶來了挑戰(zhàn)。

在數(shù)據(jù)樣本僅包含特征而沒有標簽的情況下，異常檢測可以通過對數(shù)據(jù)樣本特征的分析揭示樣本間的內(nèi)在規(guī)律，以發(fā)現(xiàn)與一般行為或模式有顯著差異的少數(shù)樣本。[3]由于極難獲得欺詐交易的標簽，部分學(xué)者把欺詐樣本視為異常點，并通過異常檢測技術(shù)將其與正常樣本分離。Van 等[4]利用無監(jiān)督異常檢測技術(shù)識別醫(yī)療保險索賠的欺詐樣本，實驗結(jié)果表明，通過異常檢測技術(shù)可以檢測出潛在的新型欺詐模式。Porwal 等[5]采用基于聚類的集成方法來獲得每個數(shù)據(jù)樣本的異常分數(shù)，這種方法可以檢測出大型數(shù)據(jù)集中的異常樣本，并且能夠?qū)Σ粩嘧兓钠墼p模式具有較強的穩(wěn)健性。采用無監(jiān)督的異常檢測方法識別欺詐樣本更具有實際意義和價值，有效地解決了標簽缺失的問題，此外還可以發(fā)現(xiàn)新的欺詐模式。

目前，處理不平衡數(shù)據(jù)的方法可以歸納為兩類：一類是從數(shù)據(jù)層面通過欠采樣或過采樣的方法調(diào)整樣本類別分布，另一類是以代價敏感學(xué)習(xí)和集成學(xué)習(xí)為代表的算法層面的處理方式[6]?；趩蝹€機器學(xué)習(xí)分類算法進行不平衡數(shù)據(jù)的分類預(yù)測可能會導(dǎo)致一定的偏差，而集成學(xué)習(xí)將多樣性、互相補充的多個基分類器融合成一個強分類器，利用該強分類器對不平衡數(shù)據(jù)進行分類，可以有效提升模型的準確率和穩(wěn)定性。近年來，越來越多學(xué)者將Bagging、Boosting 等集成學(xué)習(xí)方法應(yīng)用于不平衡數(shù)據(jù)集，李秀芳等[7]利用Bagging集成技術(shù)進行保險欺詐識別；盧冰潔等[8]將多個集成模型運用于車險欺詐識別；胡忠義等[9]通過K 均值聚類將樣本劃分為多個區(qū)域，在每個區(qū)域上進行多分類器集成，進行P2P 借貸樣本的違約風(fēng)險評估，這些研究結(jié)果都表明，集成模型在處理不平衡數(shù)據(jù)時比單個模型更有優(yōu)勢。

集成學(xué)習(xí)已被廣泛應(yīng)用于欺詐識別，但傳統(tǒng)的集成學(xué)習(xí)采用的是靜態(tài)集成，即構(gòu)建一個基分類器集合，將所有分類器進行集成，而不同分類器對于不同待測樣本的分類性能不盡相同，因此需要根據(jù)不同待測樣本的特征來選擇合適的分類器組進行集成，動態(tài)選擇（Dynamic Selection，DS）正逐漸成為多分類器系統(tǒng)的一個研究熱點，原理是并非基分類器集合中的每個分類器都是分類所有待測樣本的專家，而是每個分類器是特定特征空間上的專家。[10]動態(tài)集成選擇（Dynamic Ensemble Selection，DES）通過評估每個分類器在不同特征空間的分類能力，為待測樣本選擇最佳的分類器組進行集成。Wang 等[11]在無監(jiān)督學(xué)習(xí)的框架下，提出了一種自適應(yīng)的K近鄰算法，基于一類分類器構(gòu)建動態(tài)集成異常檢測模型，實驗結(jié)果表明其具有比單個模型和各種靜態(tài)集成模型更優(yōu)的檢測性能。劉子華等[12]提出了基于動態(tài)能力區(qū)域策略的DES-DCR-CIER 算法，并將其應(yīng)用于乳腺腫塊診斷，實驗結(jié)果表明相比于其他16 種算法，基于DESDCR-CIER 的診斷模型具有最優(yōu)的綜合性能。越來越多的研究結(jié)果表明，相較于傳統(tǒng)的集成方式，動態(tài)集成選擇技術(shù)具有更加優(yōu)越的性能。DES首先針對大量的基分類器進行訓(xùn)練，然后動態(tài)地從訓(xùn)練集中選擇樣本組成待測樣本的能力區(qū)域（Competence Region，CR），接著根據(jù)評價標準基于CR 評估各個分類器的性能，最后從中選擇一組最優(yōu)的分類器進行集成。其中，評價標準通常為分類準確率，但在數(shù)據(jù)集標簽缺失的情況下，這一評價標準失效，從而無法使用動態(tài)集成選擇算法。

本文提出一種以無監(jiān)督異常檢測算法為基分類器，融合無監(jiān)督學(xué)習(xí)和動態(tài)集成選擇的異常檢測模型DES-HBOS，首先采用基于直方圖的異常檢測方法生成基分類器集合，根據(jù)異常得分集合構(gòu)造訓(xùn)練集客戶的偽標簽，然后確定待測客戶能力區(qū)域，使用Pearson 相關(guān)系數(shù)評估所有分類器的分類能力，最后選擇一組較優(yōu)的分類器進行集成，將其應(yīng)用于信用卡授信審批異常檢測。

2 動態(tài)集成選擇

動態(tài)集成選擇主要包括以下3個步驟：

（1）構(gòu)建基分類器集合。目前，DES算法中生成基分類器的方法可以分為兩類：同構(gòu)分類器生成和異構(gòu)分類器生成。[13]同構(gòu)分類器生成是由同一學(xué)習(xí)算法得到的，根據(jù)數(shù)據(jù)集的劃分方式不同可以分為2種：訓(xùn)練樣本集的隨機選取，例如Bagging；待選特征的隨機選取，例如隨機子空間和特征選擇；此外，還可以通過調(diào)整分類器的參數(shù)得到不同的分類器，同構(gòu)分類器通過調(diào)整數(shù)據(jù)集或參數(shù)來增加分類器的多樣性。而異構(gòu)分類器生成是由不同的學(xué)習(xí)算法應(yīng)用于整個數(shù)據(jù)集得到的。

（2）對不同待測樣本選擇對應(yīng)的最優(yōu)分類器組。此階段主要包括2 個步驟：1）確定待測樣本的能力區(qū)域，假定CR內(nèi)的樣本與待測樣本的特征有較高的相似度[14]，即從訓(xùn)練集中選擇一組與待測樣本特征相似的樣本，現(xiàn)有經(jīng)典的DES 算法大多采用K 近鄰算法來確定待測樣本的CR，如KNORA（K-Nearest Oracles）、DES-KNN（Dynamic Ensemble Selection based on K-Nearest Neighbor）等；2）根據(jù)某一評價標準基于CR 評估分類器的性能，即采用CR 代表待測樣本對分類器集合中的分類器進行性能評估，主要評價標準為分類準確率，分類準確率越高代表分類性能越好，說明分類器是該特征空間上的專家，將該分類器應(yīng)用于與CR 特征相似的待測樣本，如KNORA 算法選擇至少能正確預(yù)測待測樣本的CR 中一個樣本的分類器，通過這種方式為待測樣本選擇最優(yōu)的分類器組。

（3）分類器集成。將選擇的分類器組進行集成，主要包括平均法、動態(tài)加權(quán)法等，其中多數(shù)經(jīng)典的DES算法的集成方式為多數(shù)投票法，即采用多數(shù)分類器的投票結(jié)果。

3 基于動態(tài)集成選擇算法的異常檢測

信用卡欺詐風(fēng)險主要是指信用卡持有者有目的的辦理信用卡，并在信用卡辦理成功后蓄意消費透支，并在還款日到來之前更改預(yù)留手機號等信息，出現(xiàn)拒不還款等狀況，造成商業(yè)銀行經(jīng)濟損失[15]。針對這一風(fēng)險，商業(yè)銀行主要是根據(jù)客戶的特征信息建立風(fēng)險防控模型，對其是否有可能進行欺詐行為作出評估，從授信審批入手，發(fā)現(xiàn)異?？蛻簦赃_到將欺詐風(fēng)險降至最低。

本文設(shè)計的基于動態(tài)集成選擇算法的信用卡審批異常檢測模型DES-HBOS 主要包括以下四個部分：構(gòu)造客戶偽標簽、確定能力區(qū)域、分類器性能評估、分類器集成，如圖1所示。

圖1 DES-HBOS模型整體結(jié)構(gòu)圖

3.1 構(gòu)造客戶偽標簽

3.1.1 HBOS模型

直方圖方法（Histogram-based Outlier Score，HBOS）是Goldstein 等[16]提出的一種基于非參數(shù)統(tǒng)計的無監(jiān)督異常檢測算法，不依賴超參數(shù)，避免了超參數(shù)選擇不當導(dǎo)致的偏差；基于特征間獨立性的假設(shè)，該方法將對高維數(shù)據(jù)的處理拆解為多個單特征的計算，在互聯(lián)網(wǎng)背景下，客戶特征日益增多，對數(shù)據(jù)處理提出更高要求，而直方圖方法對高維數(shù)據(jù)有較好的適應(yīng)性，其快速計算的性能使得其對海量高維數(shù)據(jù)的處理非常高效。因此，本文采用HBOS作為識別異常客戶的方法，其模型表達式如下

HBOS為每個特征構(gòu)建單變量直方圖，并將其標準化使得直方圖最大高度為1，每個箱子的高度代表概率密度估計，概率密度大致呈“鐘形曲線”，概率密度越低，則客戶的這一特征值偏離大多數(shù)客戶，異常得分越高。直方圖可以反映出所有客戶某一特征的分布情況，概率密度越小的特征值，越有可能異常，最終通過客戶的所有特征綜合判斷異常情況。

3.1.2 生成偽標簽

本文采用同構(gòu)分類器生成的方式構(gòu)造基分類器集合，以HBOS 為學(xué)習(xí)算法，改變參數(shù)即箱的個數(shù)得到一系列不同的基分類器，參數(shù)為10～50 之間的隨機整數(shù)，構(gòu)成基分類器集合C={C1,C2,...,Cη}。表示訓(xùn)練集表示待測集，其中每個客戶有m個特征。所有基分類器在同一訓(xùn)練集下進行訓(xùn)練，得到訓(xùn)練集Xtrain的異常得分矩陣S(Xtrain)，即

其中：Cj(Xtrain)(j=1,2,...,η)表示第個分類器在訓(xùn)練集上的異常得分向量，且經(jīng)過標準化處理；表示訓(xùn)練集中第個客戶在第個分類器下的異常得分。

本文通過平均所有分類器的輸出結(jié)果來對訓(xùn)練集中的客戶進行標記，訓(xùn)練集中客戶的偽標簽可表示為

3.2 確定能力區(qū)域

確定待測客戶的能力區(qū)域CR。從訓(xùn)練集中選擇與待測客戶特征相似的客戶構(gòu)成CR，具有相似特征的客戶有相似的行為趨勢。一般地，“近朱者赤，近墨者黑”，傳統(tǒng)的K 近鄰算法（K-Nearest Neighbor，KNN）被用來判斷相似性，采用歐式距離度量客戶特征的相似程度，距離越近越相似。

Zhao 等[17]改進傳統(tǒng)的KNN 算法，緩解了維數(shù)災(zāi)難問題，相比于聚類算法有更高的精確度，將待測客戶xα的能力區(qū)域CRα定義為：

其中：Xtrain表示訓(xùn)練集：knnα表示與待測客戶xα特征相似的客戶集合。

通過以下步驟確定knnα。首先，為特征個數(shù)，隨機構(gòu)造組新的特征空間，維數(shù)在；其次在每組特征空間下，使用歐氏距離度量待測客戶xα在訓(xùn)練集中的個最近鄰客戶，得到組個最“相似”客戶；最后，出現(xiàn)次數(shù)超過t2的“相似”客戶構(gòu)成集合knnα。

3.3 分類器性能評估

不同分類器對于待測客戶的分類能力有所差別，動態(tài)集成中的“動態(tài)”是指進行集成的分類器組不是固定的，CR內(nèi)的客戶與待測客戶的特征相似，采用CR代表待測客戶對所有分類器進行性能評估，找到最適合待測客戶的分類器組。通過動態(tài)的方式提高分類器組對待測客戶的異常檢測能力。

異常得分可以轉(zhuǎn)化為二元變量，再通過分類準確率評估分類器性能。但定義閾值很有挑戰(zhàn)，使用相似度評估分類器的異常檢測能力使結(jié)果更加穩(wěn)定。本文采用Pearson相關(guān)系數(shù)進行相似度評估。對于待測客戶xα，確定其在訓(xùn)練集中的“相似”客戶集CRα，根據(jù)target(Xtrain)得到CRα的偽標簽target(CRα)，將分類器Cj(j=1,2,...,η)在CRα上的標準化異常得分表示為Cj(CRα)，計算target(CRα)與Cj(CRα)的Pearson相關(guān)系數(shù)ρα,j，如下：

其中：Cov為協(xié)方差函數(shù)；Starget表示target(CRα)的標準差；表示Cj(CRa)的標準差。

使用ρα,j評估各分類器在CRα上的異常檢測能力，具有最大ρα,j的分類器Cj被認為是CRα上性能最好的分類器。

3.4 分類器集成

在缺少訓(xùn)練集標簽的情況下，僅選擇一個分類器的風(fēng)險較高，通過集成的方式為待測客戶選擇一組分類器，可以降低單個分類器過擬合的風(fēng)險，使檢測結(jié)果更加可信。集成方式主要包括平均法、動態(tài)加權(quán)法等，其中最經(jīng)典的集成方法是多數(shù)投票法，即采用多數(shù)分類器的投票結(jié)果。

類似于多數(shù)投票法，對于某一待測客戶，基于CR 對所有分類器的異常檢測能力進行評估得到Pearson 相關(guān)系數(shù)，將其繪制成具有等間隔的直方圖，選取頻率最高的間隔內(nèi)的分類器作為分類器組，平均這組檢測器的異常得分得到該待測客戶的異常得分，異常得分越高，風(fēng)險系數(shù)越大。將待測客戶的異常得分降序排序，設(shè)定一個異常比例，排名靠前的待測客戶被認為是異常的，系統(tǒng)將發(fā)出預(yù)警信息。

4 實驗結(jié)果與分析

4.1 數(shù)據(jù)描述

本實驗的數(shù)據(jù)集credictcard 是Worldline 和ULB 的機器學(xué)習(xí)小組在合作大數(shù)據(jù)挖掘和欺詐行為識別研究期間，對歐洲持卡人2013 年9 月某兩天的信用卡客戶數(shù)據(jù)進行收集得到的，來源于Kaggle 網(wǎng)站。在284 807 個客戶中，欺詐客戶有492 個，占所有客戶的0.172%，由于保密問題，原始數(shù)據(jù)沒有提供背景信息，脫敏后的原始數(shù)據(jù)的客戶特征V1，V2，...，V28經(jīng)過PCA 變換得到，V1，V2，...，V28相互獨立，“Acount”為金額，“Class”為樣本標簽，0 表示正?？蛻?，1 表示欺詐客戶。在模型訓(xùn)練的過程中不使用樣本標簽，“Class”列的數(shù)據(jù)信息僅用于最終的模型性能評估。

4.2 實驗參數(shù)設(shè)置

實驗環(huán)境為Windows10-64bit，Intel Core i5 處理器，8GB 運行環(huán)境和Python3.8.5 語言，在Jupyter Notebook上實現(xiàn)。

本實驗選擇基于直方圖的方法（Histogram-based Outlier Score，HBOS），K 近鄰（K-Nearest Neighbor，KNN），一類支持向量機（One-Class Support Vector Machine，OCSVM），局部異常因子（Local Outlier Factor，LOF），主成分分析（Principal Component Analysis，PCA）、孤立森林（Isolation Forest，IForest）這6 種在異常檢測領(lǐng)域應(yīng)用廣泛且效果較優(yōu)的分類器作對比，算法的重要參數(shù)設(shè)置如表1 所示，其余參數(shù)使用Python3.8的sklearn庫中的默認參數(shù)。

表1 模型重要參數(shù)設(shè)置表

本實驗采用小批量數(shù)據(jù)集，前14 個數(shù)據(jù)集的數(shù)據(jù)量為20 000，最后一個數(shù)據(jù)集的數(shù)據(jù)量為4 807，將每個數(shù)據(jù)集按照7:3的比例劃分為訓(xùn)練集和測試集，隨機種子數(shù)設(shè)置為42。DES-HBOS 的算法參數(shù)設(shè)定如下：箱的個數(shù)n_bins為10～50之間的隨機整數(shù)，異常比例contamination設(shè)定為0.01，經(jīng)過參數(shù)調(diào)優(yōu)過程，確定基分類器數(shù)量η為20。

4.3 評價指標

異常檢測結(jié)果的評價標準：精確率（Precision）、召回率（Recall）、F1以及AUC，這些指標常用于不平衡分類問題的模型評估，值越大，代表模型的分類效果越好。將所有客戶根據(jù)其真實類別和預(yù)測類別劃分得到混淆矩陣，如表2所示。

表2 信用卡客戶的混淆矩陣

其中：TN表示被正確分類的正?？蛻?；FP表示被錯誤分類的正?？蛻?；FN表示被錯誤分類的欺詐客戶；TP表示被正確分類的欺詐客戶。

具體評價方式如下：

（1）精確率（Precision）表示被正確分類的欺詐客戶占所有預(yù)測欺詐客戶的比例，公式如下

（2）召回率（Recall）表示被正確分類的欺詐客戶占所有欺詐客戶的比例，公式如下

（3）F1表示精確率和召回率的調(diào)和平均值，公式如下

（4）AUC 表示ROC（Receiver Operating Characteristics）曲線下方的面積，介于0 到1，值越接近1，說明模型的分類性能越優(yōu)。

4.4 消融實驗

考慮DES-HBOS 中的基分類器數(shù)量η對模型性能的影響，η太大或太小都會影響模型性能，因此本實驗將η設(shè)置為10，20，30，40，50 進行實驗，探究η對模型性能的影響，Recall 和AUC 是DESHBOS在15個測試集上的平均值，繪制折線圖如圖2所示。通過圖2可以看出基分類器數(shù)量對模型性能的影響較小，Recall 隨η的增加先小幅增加而后降低，AUC 相對穩(wěn)定，基本在0.95左右波動，主要原因是η=10時，集成分類器數(shù)目略少，模型性能較弱，隨著η增加，分類器多樣性增加，模型性能有所增強，Recall 和AUC 值都有增加，但是η>20 時，Recall 值先保持不變而后下降，AUC 值小幅下降但基本穩(wěn)定，可能是分類器集合中性能較弱的分類器增加導(dǎo)致模型整體性能下降，但因為DES-HBOS擇優(yōu)選擇分類器，所以模型性能相對穩(wěn)定。

圖2 Recall和AUC關(guān)于η變化圖

當η=20時，模型性能較優(yōu)，且分類器數(shù)量少使得模型運行時間短，因此本實驗將η的值設(shè)定為20。

4.5 對比實驗

本實驗使用6 種不同的算法與DES-HBOS 進行對比實驗，包括單分類器算法HBOS，KNN，OCSVM，LOF，PCA和靜態(tài)集成算法IForest。在模型訓(xùn)練過程中，7個模型在15個數(shù)據(jù)集上都是基于同一測試集進行評估，并將7個模型在15個測試集上的各項指標值進行簡單平均，實驗結(jié)果如表3所示。

表3 模型對比結(jié)果

通過表3 可以發(fā)現(xiàn)，DES-HBOS 相比于其他5 種單分類器，Recall 均有較大提升，但Precision 降低即模型的精準度降低。對比5種單分類器算法，KNN的表現(xiàn)最好。對比DES-HBOS、5種單分類器和靜態(tài)集成的實驗結(jié)果，可以看出DES-HBOS 和5 種單分類器普遍優(yōu)于后者，這可能是因為在集成過程中強分類器受到弱分類器的影響，使得靜態(tài)集成算法不如單分類器算法和DES-HBOS算法。

考慮實際情況，Recall 為商業(yè)銀行最值得關(guān)注的指標，它反映了被檢測出來的欺詐客戶占欺詐客戶的比例，欺詐客戶帶來的損失成本很高，Recall 的提高可以極大減少損失成本；Precision 降低代表模型將更多正?？蛻粽J定為異?？蛻簦瑢?dǎo)致精準度降低，這種錯誤只是造成機會成本損失，二者損失不等價，因此Recall的提升能幫助商業(yè)銀行減少高額損失。

在數(shù)據(jù)集標簽缺失的情況下，本文提出的DES-HBOS 能相對有效地檢測信用卡交易中的異?？蛻?，從授信審批方面把好客戶準入關(guān)，以此降低欺詐風(fēng)險。此外，這一模型檢測出的異?？蛻粜栌缮虡I(yè)銀行的專業(yè)人員進行審查，為不同客戶群制定差異化的風(fēng)控策略，通過技術(shù)防控和人工防控相結(jié)合的方式降低風(fēng)險，以起到防范預(yù)警的作用。

4.6 多個數(shù)據(jù)集對比實驗

4.6.1 數(shù)據(jù)描述

為了驗證DES-HBOS 在不平衡數(shù)據(jù)集上的通用性，從UCI repository 和KEEL 數(shù)據(jù)庫中選取了4 個公開數(shù)據(jù)集，下面簡單介紹一下這4個數(shù)據(jù)集。

Breast Cancer Wisconsin（BCW）：UCI repository的美國威斯康星州乳腺癌原始數(shù)據(jù)集，該數(shù)據(jù)集有699個病例，包括線束厚度、細胞大小、細胞形狀、邊緣附著力、單個上皮細胞大小、裸核、純白染色質(zhì)、正常核苷酸和有絲分裂這9 個特征，類別0 表示良性乳腺腫塊，類別1 表示惡性乳腺腫塊，惡性乳腺腫塊有241例，不平衡率為1.9。

Ecoil：UCI repository的蛋白酶裂解位點預(yù)測數(shù)據(jù)集，該數(shù)據(jù)集有336條肽鏈，包括Mcg、Gvh、Lip、Chg、Aac、Alm1和Alm2這7個蛋白質(zhì)序列特征，類別0表示非裂解位點上下游的氨基酸構(gòu)成的肽鏈，反之為類別1，類別1包含77條肽鏈，不平衡率為3.36。

Vowel0：KEEL的元音識別數(shù)據(jù)集，有988條數(shù)據(jù)，包括TT、SpeakerNumber、Sex、F0、F1、F2、...、F9這13個特征，類別0為正樣本，類別1為負樣本，有90條負樣本數(shù)據(jù)，不平衡率為9.98。

Vehicle0：KEEL 的車型識別數(shù)據(jù)集，該數(shù)據(jù)集有846 條數(shù)據(jù)，包括Compactness、Circularity 等18 個車輛輪廓特征，類別0為非Van類型的車輛，類別1為Van類型的車輛，類別1有199輛，不平衡率為3.25。

4.6.2 實驗結(jié)果分析

在4 個公開數(shù)據(jù)集上將DES-HBOS 與HBOS 的異常檢測效果進行對比，異常比例設(shè)定為0.1，實驗結(jié)果如表4所示。DES-HBOS的Recall均較高，提升了3.1%～19.4%，能將更多的真實異常點識別出來；然而從Precision 來看，兩個模型的精準度較為接近；綜合考慮這兩個指標可以使用F1，F(xiàn)1 越大代表檢測效果越好，DES-HBOS的F1在這4個數(shù)據(jù)集上均高于HBOS，提升了3.5%～11.8%。綜上所述，DES-HBOS的異常檢測效果優(yōu)于HBOS。

表4 多個數(shù)據(jù)集異常檢測結(jié)果對比

t-SNE（t-Distributed Stochastic Neighbor Embedding）是Van 等[18]提出的一種數(shù)據(jù)降維與可視化技術(shù)，將高維空間數(shù)據(jù)通過t-SNE 技術(shù)投影到2維或3維空間進行可視化。本實驗使用t-SNE 技術(shù)將高維空間數(shù)據(jù)投影至2維平面，圖3是DES-HBOS 在數(shù)據(jù)集BCW 和Vowel0上的異常檢測結(jié)果，左側(cè)是真實異常點分布情況，右側(cè)是模型檢測到的異常點分布情況。數(shù)據(jù)集BCW 的Precision 為1，模型檢測到的異常點均為真實異常點，而Recall 只有0.346，即大部分真實異常點沒有被檢測出來；數(shù)據(jù)集Vowel0 的Recall 為0.71，模型將71%的真實異常點都識別出來了，而Precision 只有0.5，即模型檢測到的一半異常點是真實異常點。

圖3 數(shù)據(jù)集BCW和Vowel0的異常檢測結(jié)果

對比2個數(shù)據(jù)集可知，BCW 和Vowel0的真實異常比例分別為34.48%和9.11%，在樣本標簽缺失的情況下，對數(shù)據(jù)集本身異常比例的不了解將會對檢測結(jié)果造成影響，因此在異常檢測之前，需要根據(jù)經(jīng)驗法則設(shè)定模型的異常比例，可以使檢測結(jié)果更加準確。

5 結(jié)語

針對數(shù)據(jù)集標簽缺失且類別分布極不平衡的信用卡欺詐檢測問題，本文提出一種基于動態(tài)集成選擇算法的信用卡審批異常檢測模型。為了解決標簽缺失問題，利用無監(jiān)督異常檢測算法構(gòu)造訓(xùn)練集客戶的偽標簽，并為了緩解類別分布極不平衡的問題，確定待測客戶的CR，根據(jù)Pearson 相關(guān)系數(shù)采用CR 代表待測客戶對分類器集合中的分類器進行性能評估，將分類性能優(yōu)的多個分類器融合之后得到一個強分類器。在真實信用卡客戶數(shù)據(jù)集和4個不平衡數(shù)據(jù)集上進行實驗，對比其他模型，DES-HBOS的Recall均有提高，能將更多的真實異常點識別出來。在未來的工作中，可以考慮對待測樣本能力區(qū)域確定方法進行探究，使得能力區(qū)域與待測客戶特征更相似，以便找到更優(yōu)的分類器組。