Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
Questo articolo dimostra che, sul dataset ULB relativo alle frodi con carta di credito, un sottoinsieme compatto di 15 caratteristiche derivato da una strategia di classificazione multi-metodo consente un'elevata prestazione nel rilevamento delle frodi attraverso vari classificatori senza la necessità di oversampling SMOTE, poiché i modelli addestrati sulla distribuzione naturale delle classi superano costantemente quelli addestrati con SMOTE quando valutati con soglie opportunamente calibrate.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel vasto e silenzioso flusso della finanza globale, una minuscola frazione di transazioni trasporta un pericolo nascosto. La maggior parte delle transazioni con carta di credito è innocua, uno scambio di valore di routine, ma un numero molto esiguo è fraudolento, progettato per rubare denaro a proprietari ignari. Per i sistemi che monitorano queste transazioni, ciò crea un enigma difficile. Se un programma informatico si limitasse a ipotizzare che ogni singola transazione sia sicura, avrebbe ragione più del novantanove percento delle volte. Questo alto tasso di successo è ingannevole; nasconde il fatto che il sistema ha fallito completamente nel suo compito effettivo, ovvero intercettare i rari ladri. Per risolvere questo problema, gli esperti devono guardare oltre i semplici conteggi di risposte giuste o sbagliate. Devono misurare quanto bene un sistema trovi le transazioni illecite senza far scattare un falso allarme per ogni transazione lecita, un equilibrio che richiede una calibrazione attenta e una profonda comprensione dei dati stessi.
Uno studio recente di Abdullah Md Raihan Chy presso il ZogBiyog Lab in Bangladesh affronta questo problema testando due idee specifiche: come scegliere gli indizi giusti da osservare e se la creazione artificiale di ulteriori esempi di frode aiuti il computer a imparare meglio. I ricercatori hanno lavorato su una vasta collezione di record di carte di credito provenienti dall'Europa, contenente quasi 285.000 transazioni registrate in soli due giorni del 2013. In questo dataset del mondo reale, solo lo 0,173 percento delle transazioni era effettivamente una frode. Poiché i dati erano così pesantemente sbilanciati verso le transazioni sicure, il team ha dovuto essere estremamente meticoloso nel modo in cui addestrava i propri modelli. Hanno iniziato esaminando trenta diversi pezzi di informazione disponibili per ogni transazione, come l'ora del giorno, l'importo speso e altri ventotto numeri che erano stati matematicamente trasformati per proteggere la privacy dei titolari delle carte.
Per trovare gli indizi più utili, i ricercatori non si sono affidati a un singolo metodo per classificare l'importanza di queste trenta caratteristiche. Al contrario, hanno utilizzato quattro approoli differenti per valutare ciascuna di esse. Un metodo cercava schemi di associazione, un altro controllava le relazioni lineari, un terzo utilizzava un algoritmo basato su alberi per misurare quanto una caratteristica aiutasse a dividere i dati, e un quarto osservava quanta variazione contenesse ogni caratteristica. Hanno poi combinato queste quattro liste in un'unica lista più breve di quindici caratteristiche. Ci sono riusciti selezionando a turno la caratteristica principale da ciascuna delle quattro liste, saltando quelle già state scelte, finché non hanno ottenuto esattamente quindici elementi unici. Questo approccio "round-robin" ha garantito che nessun singolo metodo dominasse la selezione, creando un insieme compatto di indizi che fosse al contempo diversificato e gestibile.
Con questo set ridotto di quindici caratteristiche in mano, il team ha addestrato sette diversi tipi di programmi informatici per individuare le frodi. Questi programmi spaziavano da semplici regole statistiche a reti complesse e stratificate che imitano il modo in cui il cervello elabora le informazioni. Hanno testato questi programmi in due diverse condizioni. Nella prima condizione, i programmi hanno appreso dai dati esattamente come apparivano nel mondo reale, con la minuscola frazione di casi di frode immersa nella vasta maggioranza di transazioni sicure. Nella seconda condizione, hanno utilizzato una tecnica chiamata SMOTE, che crea nuovi esempi sintetici di frode mescolando e accoppiando parti di casi di frode esistenti. Questa operazione di bilanciamento artificiale è una scorciatoia comune utilizzata dai data scientist, basata sull'assunto che fornire al computer più esempi dell'evento raro lo aiuterà a imparare meglio come riconoscerlo.
I risultati di questo esperimento sono stati chiari e piuttosto sorprendenti. Quando i ricercatori hanno testato i programmi su un nuovo set di dati che i modelli non avevano mai visto prima, i programmi addestrati sui dati naturali e sbilanciati hanno performato meglio di quelli addestrati sui dati artificialmente bilanciati. Questo è stato vero per ogni singolo tipo di programma testato. Il miglior performer è stato un modello chiamato XGBoost, che ha raggiunto un punteggio elevato di 0,826 quando addestrato sui dati naturali, mentre il modello K-Nearest Neighbors ha raggiunto un punteggio ancora più alto di 0,833. Al contrario, quando questi stessi modelli venivano addestrati utilizzando gli esempi di frode sintetici, le loro prestazioni diminuivano in modo generalizzato. Anche se i ricercatori avevano attentamente regolato il punto di decisione per ogni modello per garantire un confronto equo, i dati artificiali portavano costantemente a risultati peggiori.
Questo risultato sfida una convinzione di lungo corso nel settore secondo cui l'aggiunta di esempi sintetici sia sempre un passaggio utile. Lo studio suggerisce che per questo specifico tipo di problema, con questo specifico tipo di dati, la distribuzione naturale delle transazioni contiene un segnale che gli esempi artificiali interrompono. I programmi informatici hanno imparato a distinguere le frodi con maggiore precisione quando sono stati lasciati percepire la reale rarità dell'evento, piuttosto che essere costretti a trattare frode e sicurezza come eventi ugualmente comuni. La ricerca ha inoltre confermato che un piccolo set di quindici caratteristiche, accuratamente scelto, era sufficiente per costruire un rilevatore potente, dimostrando che non è necessario utilizzare ogni singola informazione disponibile per trovare l'ago nel pagliaio. In definitiva, il lavoro dimostra che nel mondo ad alta posta in gioco del rilevamento delle frodi, a volte la strategia più efficace è fidarsi della realtà grezza dei dati piuttosto che cercare di ingegnerizzare una versione più bilanciata di essi.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.