使用Logstic Regression对信用卡欺诈检测进行分类 步骤以及一些需要注意的点 特征工程 样本不均衡问题的解决(降采样以及过采样两种方式) 下采样策略 交叉验证(充分利用数据，使模型更具说服力) 模型评估方法(分类准确率，精确率，召回率，F1值) 正则化惩罚(防止模型过拟合，引入L2正则化) 逻辑回归阈值对结果的影响(通过混淆矩阵的可视化以及召回率来体现) 过采样策略(SMOTE算法)

人工智能-基于BP神经网络的健康保险欺诈识别研究.pdf

Python银行反欺诈项目代码，数据已脱敏处理，并只保留了部分数据。数据中有flag，in_date，ip，terminaltype phone，versioncode，userno，certno这几列，根据训练集进行学习，在测试集上进行测试，得到还不错的评估指标。

Kaggle TalkingData AdTracking欺诈检测挑战 第48解决方案，竞赛链接： : ：笔记本电脑版本 ：脚本版本，在私有LB上大约为0.9824 blending.ipynb：混合历史模型，这使我提高了约0.0002 FTRL.ipynb：由于时间有限，没有尝试过 在完整的训练数据上运行此代码需要96GB RAM和128G交换空间 一些解决方案作为参考 火车日志 请参阅

talkingdata-adtracking欺诈检测 Kaggle比赛（前8％） 数据集的前景 我们的目标是预测用户点击广告后是否会下载该APP。 用户可能欺诈性地点击广告只是为了赚钱。 特征： IP：用户所在的地区或国家与他或她是否欺诈性地点击广告有关。 （一个）。 欺诈用户可以使用同一IP多次单击同一AD。 （b）。 但是，同一公司中的家庭或人可以共享同一IP，这意味着同一IP可以包含常规用户和欺诈用户。 按设备，操作系统，渠道等分组可以进一步区分。 APP ：（可以按IP使用分组）用于营销的应用ID 设备：用户手机的设备类型ID（例如，iphone 6 plus，iphone 7，华为mate 7等） 操作系统：（可以按IP分组使用）用户手机的操作系统版本ID 频道：移动广告发布者的频道ID click_time： （一个）。 普通用户和欺诈用户在单击AD时会有

精选的有关欺诈检测的数据挖掘论文清单。 真棒欺诈检测研究论文。 下列会议中有关欺诈检测的论文精选清单：网络科学ASONAM COMPLEX NETWORKS数据科学DSAA自然语言处理ACL数据挖掘KDD ICDM SIGIR SDM WWW CIKM人工智能AAAI AISTATS IJCAI UAI数据库VLDB关于图分类，分类/回归的相似集合树，梯度增强，蒙特卡洛树搜索以及带有im的社区检测文件

本资源用于博客栏目中的机器学习实例详解中逻辑回归案例模板——信用卡欺诈检测，包含数据和完整的流程ipynb文件

Credit Card Fraud Detection信用卡欺诈数据集-数据集

反欺诈项目建设流程。为了解决商业银行难以甄别第一方欺诈申请件的问题，我们利用信贷申请件信息数据以及自有的历史数据设计反欺诈规则，然后对规则筛选的数据进行验证，将可用的规则选取出来，对信贷申请件进行风险评估

shield:Defenders团队的信贷反欺诈系统