SVM

SVM

信用卡欺诈问题

• 概述
• 实现过程
• • SVM介绍
  • 数据源下载
  • 代码实现
  • 代码解释
• 总结

概述

初衷是因为引用卡欺诈问题相对与其他机器学习问题略有不同，因为二分类数据量差距过大，导致以往的评价方法对其不适用，如下图的284807 笔交易中只有492笔是欺诈行为，如果用以为的准确率评价几乎都在99%以上，但是这并不能说明模型好，因为即使漏掉1个欺诈交易都是损失很大的，所以这篇里引入了召回率和精确率，进行综合评价，详细步骤如下：

• 对数据源中不比较的字段进行删减，对数值型数据进行规范化，因为没有测试集数据，所以进行数据划分。
• 数据建模使用的是LinearSVR，因为LinearSVC 对线性分类做了优化，对于数据量大的线性可分问题，使用 LinearSVC 的效率要高于 SVC。这里我们是假设特征是线性可分的（线性可分就可以理解成用一条线能把两个类别分开），当然也可以使用逻辑回归、决策树、或者是把核函数设置为rbf(高斯核函数)进行尝试。

实现过程

SVM介绍

model = svm.SVC(kernel=‘rbf’, C=1.0, gamma=‘auto’) 

kernel代表核函数的选择，它有四种选择，只不过默认是 rbf，即高斯核函数。linear：线性核函数poly：多项式核函数rbf：高斯核函数（默认）sigmoid：sigmoid 核函数这四种函数代表不同的映射方式。

此外引用一位知乎题主的回答，我觉得比较实用：
作者：Jason Gu
链接：

1. Linear核：主要用于线性可分的情形。参数少，速度快，对于一般数据，分类效果已经很理想了。
2. RBF核：主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。有很多人是通过训练数据的交叉验证来寻找合适的参数，不过这个过程比较耗时。我个人的体会是：使用libsvm，默认参数，RBF核比Linear核效果稍差。通过进行大量参数的尝试，一般能找到比linear核更好的效果。至于到底该采用哪种核，要根据具体问题，有的数据是线性可分的，有的不可分，需要多尝试不同核不同参数。如果特征的提取的好，包含的信息量足够大，很多问题都是线性可分的。当然，如果有足够的时间去寻找RBF核参数，应该能达到更好的效果。

此外，sigmoid一般用于处理神经网络，pold虽然可以处理非线性问题，但是训练时间比较长。

数据源下载

数据源
链接： 提取码：58gp

说明：Class=0 为正常（非欺诈），Class=1 代表欺诈。

代码实现

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
del_selection import train_test_split
from sklearn import svm
ics import confusion_matrix, precision_recall_curve
import warnings
import itertools
warnings.filterwarnings('ignore')# 混淆矩阵可视化
def plot_confusion_matrix(cm, classes, normalize = False, title = 'Confusion matrix"', cmap = Blues) :plt.figure()plt.imshow(cm, interpolation = 'nearest', cmap = cmap)plt.title(lorbar()tick_marks = np.arange(len(classes))icks(tick_marks, classes, rotation = icks(tick_marks, classes)thresh = cm.max() / 2.for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])) :(j, i, cm[i, j],horizontalalignment = 'center',color = 'white' if cm[i, j] > thresh else 'black')plt.tight_layout()plt.ylabel('True label')plt.xlabel('Predicted label')plt.show()# 显示模型评估结果
def show_metrics():tp = cm[1,1]fn = cm[1,0]fp = cm[0,1]tn = cm[0,0]print('精确率: {:.3f}'.format(tp/(tp+fp)))print('召回率: {:.3f}'.format(tp/(tp+fn)))print('F1值: {:.3f}'.format(2*(((tp/(tp+fp))*(tp/(tp+fn)))/((tp/(tp+fp))+(tp/(tp+fn))))))# 绘制精确率-召回率曲线
def plot_precision_recall():plt.step(recall, precision, color = 'b', alpha = 0.2, where = 'post')plt.fill_between(recall, precision, step ='post', alpha = 0.2, color = 'b')plt.plot(recall, precision, linewidth=2)plt.xlim([0.0,1])plt.ylim([0.0,1.05])plt.xlabel('召回率')plt.ylabel('精确率')plt.title('精确率-召回率 曲线')plt.show();data = pd.read_csv('./creditcard.csv')
data['Amount_Norm'] = StandardScaler().fit_transform(data['Amount'].shape(-1,1))
y = np.array(list())
data = data.drop(['Time','Amount','Class'],axis=1)
X = np.array(data.as_matrix())#DataFrame的形式，这个时候要记得转换成数组
train_x, test_x, train_y, test_y = train_test_split (X, y, test_size = 0.1, random_state = 33)
#创建SVM模型
model = svm.LinearSVC()
model.fit(train_x,train_y)
prediction=model.predict(test_x)
cm = confusion_matrix(test_y, prediction)
show_metrics()
# 设置plt正确显示中文
Params['font.sans-serif'] = ['SimHei']
# 绘制类别分布class_names = [0,1]
# 显示混淆矩阵
plot_confusion_matrix(cm, classes = class_names, title = '逻辑回归 混淆矩阵')score_y = model.decision_function(test_x)
precision, recall, thresholds = precision_recall_curve(test_y, score_y)
plot_precision_recall()

结果：
精确率: 0.843
召回率: 0.717
F1值: 0.775

代码解释

1. 可以把混淆矩阵理解成对测试集做预测后给的一个反馈，有4种可能：
   tp：判断是，结果对；
   tn：判断是，结果错
   fn：判断不是，结果错；
   fp：判断不是，结果对
2. 精确率： P = TP/ (TP+FP)，你可以理解成预测欺诈的准确率，预测成功的所有情况中，欺诈的情况占多大的比例
3. 召回率 R = TP/ (TP+FN)，也称为查全率。就是所有的欺诈情况中，你查出来的占多少
4. plot_precision_recall用于测试精确率和召回率的一个动态关系，可以看到两者成反比，一般召回率越高，精确率越低，比如你认为所有的交易都是欺诈交易，那么召回率可以达到100%，但是准确率就会很低。

总结

信用卡欺诈问题总体来说是一个二分类问题，其特点在于类别数据比差距过大，评价指标不能仅使用metrics.accuracy_score(prediction,test_y))。建模实现分类的方法有很多，以及各个模型下还有参数调整情况，可以尝试使用弱分类器组成Adaboost、还有将随机森林与GridSearchCV结合找出最优解，可以下次写一下实现方法，逻辑回归也是一个比较实用的方法但是经测试训练时间较快，但是效果略差于SVM。