基于神经网络的欺诈检测课件.pptxVIP

基于神经网络的欺诈检测;1 神经网络的欺诈检测的意义 2 本课题研究的内容 3 BP算法以及MATLAB实现 4 欺诈检测的JAVA实现 5 课题研究的结果 6 课题研究的提示;欺诈在电子世界里非常普遍，从保险欺诈到互联网拍卖欺诈，从虚假的救济金申请表到电信欺诈。如果你在互联网上从事一些吸引了众多用户与法人实体的业务，当有人不遵守游戏规则时，能够把它们识别出来，这样的能力是非常有价值的。本课题以欺诈性购买交易作为例子，通过引入分类算法把欺诈交易从正常购买中找出来。;2.1 生物神经网络概述 2.2 生物神经网络处理过程 2.3 人工神经网络概述 2.4 人工神经网络处理过程 2.5 基于神经网络的欺诈检测;神经细胞由一个细胞体(soma)、一些树突(dendrite) 、和一根可以很长的轴突组成。神经细胞体是一颗星状球形物，里面有一个核(nucleus)。树突由细胞体向各个方向长出，本身可有分支，是用来接收信号的。轴突也有许多的分支。轴突通过分支的末梢(terminal)和其他神经细胞的树突相接触,形成所谓的突触(Synapse), 一个神经细胞通过轴突和突触把产生的信号送到其他的神经细胞。 每个神经细胞通过它的树突和大约10,000个其他的神经细胞相连。神经细胞相连组成了神经网络。;神经细胞利用电-化学过程交换信号。输入信号来自另一些神经细胞。这些神经细胞的轴突末梢（也就是终端）和本神经细胞的树突相遇形成突触（synapse），信号就从树突上的突触进入本细胞。信号在大脑中实际怎样传输是一个相当复杂的过程，但就我们而言，重要的是把它看成和现代的计算机一样，利用一系列的0和1来进行操作。就是说，大脑的神经细胞也只有两种状态：兴奋（fire）和不兴奋（即抑制）。发射信号的强度不变，变化的仅仅是频率。神经细胞利用一种我们还不知道的方法,把所有从树突突触上进来的信号进行相加，如果全部信号的总和超过某个阀值，就会激发神经细胞进入兴奋（fire）状态，这时就会有一个电信号通过轴突发送出去给其他神经细胞。如果信号总和没有达到阀值，神经细胞就不会兴奋起来。;人工神经网络( Artificial neural network, 简称ANN ) 就是要在当代数字计算机现有规模的约束下，来模拟这种大量的并行性, 并在实现这一工作时，使它能显示许多和人或动物大脑相类似的特性。模拟大脑的人工神经网络ANN是由许多叫做人工神经细胞（Artificial neuron，也称人工神经原，或人工神经元）的细小结构模块组成。人工神经细胞就像真实神经细胞的一个简化版，但采用了电子方式来模拟实现。;2.4 人工神经网络处理过程 ;左边几个灰底圆中所标字母w代表浮点数，称为权重（weight，或权值，权数）。进入人工神经细胞的每一个input(输入)都与一个权重w相联系，正是这些权重将决定神经网络的整体活跃性。你现在暂时可以设想所有这些权重都被设置到了-１和１之间的一个随机小数。因为权重可正可负，故能对与它关联的输入施加不同的影响，如果权重为正，就会有激发（excitory）作用，权重为负，则会有抑制（inhibitory）作用。当输入信号进入神经细胞时，它们的值将与它们对应的权重相乘，作为图中大圆的输入。大圆的‘核’是一个函数，叫激励函数(activation function)，它把所有这些新的、经过权重调整后的输入全部加起来，形成单个的激励值(activation value)。激励值也是一浮点数，且同样可正可负。然后，再根据激励值来产生函数的输出也即神经细胞的输出：如果激励值超过某个阀值（作为例子我们假设阀值为1.0），就会产生一个值为1的信号输出；如果激励值小于阀值1.0，则输出一个0。这是人工神经细胞激励函数的一种最简单的类型。;自己创建了一个正常交易的数据集合，训练集大约包含10000条交易记录，测试集有1000条，每条交易记录由如下属性值所确定。 用户ID 交易ID 交易描述 交易金额 交易x坐标 交易y坐标 一个用于确认交易是（true）否（false）属于欺诈的二值变量;目的很直接，就是创建一个分类器，能基于训练集的交易数据学习如何识别一个欺诈交易，一旦训练好分类器，就希望在来自同一个统计分布的测试集中检验它，;3.1. 数据预处理 3.2 使用Matlab实现神经网络 3.3 Matlab BP网络实例 3.4 结果分析;在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化处理。下面简要介绍归一化处理的原理与方法。 数据归一化：将数据映射到[0,1]或[-1,1]区间或更小的区间，比如(0.1,0.9) 。 归一化的原因： 1输入数据的单位不一样，有些数据的范围可能特别大，导致的结果是神经网络收敛慢、训练时