基于神经网络的欺诈检测课件

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3BP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。1神经网络的欺诈检测的意义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。2.1生物神经网络概述神经细胞利用电-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。2.2生物神经网络处理过程人工神经网络(Artificialneuralnetwork,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（Artificialneuron，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。2.3人工神经网络概述2.4人工神经网络处理过程

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2.5基于神经网络的欺诈检测3.1.数据预处理3.2使用Matlab实现神经网络3.3MatlabBP网络实例3.4结果分析3BP算法以及MATLAB实现

<3>由于神经网络输出层的激活函数的值域是有限制的，因此需要将网络训练的目标数据映射到激活函数的值域。例如神经网络的输出层若采用S形激活函数，由于S形函数的值域限制在(0,1)，也就是说神经网络的输出只能限制在(0,1)，所以训练数据的输出就要归一化到[0,1]区间。<4>S形激活函数在(0,1)区间以外区域很平缓，区分度太小。例如S形函数f(X)在参数a=1时，f(100)与f(5)只相差0.0067。Matlab中归一化处理数据可以采用premnmx，postmnmx，tramnmx这3个函数。使用Matlab建立前馈神经网络主要会使用到下面3个函数：newff：前馈网络创建函数train：训练一个神经网络sim：使用网络进行仿真3.2使用Matlab实现神经网络本课题的目的主要是做欺诈检测，将数据集分为2组，每组各75个样本，分别对应着欺诈和正常消费。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将欺诈和正常消费分别编号为1，2。使用这些数据训练一个3个输入（分别对应3个特征：位置，花费，描述），2个输出（分别对欺诈消费和正常消费）的网络。3.3MatlabBP网络实例3.4结果分析4.1神经网络欺诈检测器整体步骤4.2输入节点的选择及初始化4.3神经网络欺诈检测器剖析4课题研究的方案/方法//决定数据会在网络中传播的次数，在本例子中10次就很好了nnFraudClassifier.setNTrainingIterations(10);//配置好参数，开始训练nnFraudClassifier.train();//把训练好的分类器实例存放到磁盘里nnFraudClassifier.save();//通过分类器的文件名，加载已训练好的分类器NNFraudClassifiernnClone=NNFraudClassifier.load(nnFraudClassifier.getName());金额:(amt-min)/(max-min)地点：距离描述：相似度4.2输入节点的选择及初始化输入计算输出误差期望值权值调整1.对权系数w置初值

对权系数w＝(W1

．W2

，…，Wn

，Wn+1

)的各个分量置一个较小的零随机值

2.输入一样本X＝(X1

，X2

，…，Xn+1

)以及它的期望输出d。期望输出值d在样本的类属不同时取值不同。如果x是A类，则取d＝1,如果x是B类，则取03.计算实际输出值YY=∑Wi

Xi根据实际输出求误差ee＝(d-y)*激活函数的导数4.用误差e去修改权系数Wi(t+1)=Wi(t)+ή*e*Xiή为学习率，不能太大，也不能太小。下图是引入噪音的运行结果：神经网络实质上实现了一个从输入到输