1.项目介绍

数据集包含某年9月份欧洲用户在两天时间里发生的284807宗交易，其中包括492宗诈骗。项目通过描述性分析探索诈骗案的相关特点和模式，再通过机器学习算法创建预测模型、调参，并通过混淆矩阵等方法选择模型。

2.数据清理

2.1导入数据

library(data.table) # fread()

# 载入数据
cards<-fread("D:/R/practise/……/creditcard.csv") # 原始数据集有143MB,用数据操作包data.table，fread函数读取速度是原生函数的近10倍。

2.2 数据概览

查看数据总体情况、变量类型、缺失值、异常值、分布类型等等

library(VIM) # aggr()

# 查看数据总体情况，建立数据词典
str(cards)
summary(cards)

aggr(cards) # 可视化缺失值
# 其他判断缺失值办法：table(is.na(cards))

# 查看样本数据分布
prop.table(table(cards$Class)) # 正例为仅为0.001727486 
qplot(x=cards$Class,data=cards,geom="bar",fill=cards$Class) # 可视化效果

数据词典

缺失值情况：无

样本分布情况：正类仅为0.001727486，占比例非常低，据此训练的模型，对正类（诈骗）案件不敏感，会更偏向识别正常交易。在训练模型时候需要对训练集做调整（详情见后）

2.3 数据处理

# 数据塑形 时间转换 秒——小时
cards$Time_new<-round(cards$Time/3600,0) # 将时间以秒为单位转换为 以小时为单位
cards$Time<-NULL # 数据集中原时间变量已经无效，可删
cards<-cards %>% select(Class,everything()) # 将变量Class调整到第一列
class(cards$Class)
cards$Class<-as.factor(cards$Class) # 变量class转换为因子型

# 解决数据失衡问题

cards_0<-cards[cards$Class=='0'] # 正常非诈骗交易
cards_1<-cards[cards$Class=='1'] # 诈骗案例

index1<-sample(1:nrow(cards_0),size = nrow(cards_1))
# 合并数据集
cards_new<-rbind(cards_1,cards_0[index1])
# 归一化处理

library(caret)

standard <- preProcess(cards_new, method = 'range') # caret包中函数，range表示区间为[-1:1]
card_new2 <- predict(standard, cards_new)
traindata_2 <- card_new2[index2, ] # index2 见52行
testdata_2 <- card_new2[-index2, ]

2.4 数据划分

# 对新数据集进行做训练集、测试集的划分
index2<-createDataPartition(cards_new$Class,times = 1,p=.7,list = F)
train_cards<-cards_new[index2,] # 训练集
test_cards<-cards_new[-index2,] # 测试集

3.数据探索——描述性统计分析

数据集中第2列到第28列都是PCA数据，无法做有效描述性统计分析，故这里主要基于时间、金额等进行分析。

# 诈骗案发生时间、金额分布
p1<-ggplot(cards_1,aes(x=factor(Time_new),fill=factor(Time_new)))+
  geom_bar(stat = 'count')+
  labs(title = 'Time Distribution of\nFraud Cases',x='Time',y='Count')+
  theme_classic()+
  theme(legend.position='none')

# 计算每小时诈骗案涉及金额
# cards_1$Time_new<-as.factor(as.character(cards_1$Time_new))
Amount_money<-rowsum(cards_1$Amount,group=cards_1$Time_new) # 数据准备
Amount_c<-Amount_money[,1]
Time_c<-0:47
DF_money<-data.frame(Time_c,Amount_c)
p2<-ggplot(DF_money,aes(x=factor(Time_c),y=Amount_c,fill=Time_c))+
  geom_bar(stat = 'identity')+
  labs(title = 'Distribution bar chart of \nfraud amount',x='Time')+
  theme(legend.position='none')
library(Rmisc)
multiplot(p1,p2,cols = 1)

描述性分析结论：

从总趋势说，第一天多余第二天（但因为没有更多的数据，更长的时间轴，这一点无法得出有效结论）；

整体看每小时平均诈骗数量在10次以下，涉案金额在500欧元左右；

从时间上说，诈骗发生次数在一天中的后半夜居多；

从涉案金额来说，而平均诈骗金额基本与次数相对应。其中第二天凌晨两点发生次数最多，30余起，对应的金额也是最大，超过3000欧元。

4.数据建模

4.1 随机森林模型

# 使用五折交叉验证方法建立随机森林模型
set.feed(1234)
model_rf <- train(Class ~., data = train_cards, method = 'rf', 
                  trControl = trainControl(method = 'cv', 
                                           number = 5,
                                           selectionFunction = 'oneSE')) # 利用训练集建立随机森林模型
pred_model<-predict(model_rf,test_cards[,-1]) # 测试模型
confusionMatrix(data=pred_model,reference=test_cards$Class) # 准确率为94.9%
plot(varImp(model_rf))   # 查看模型中变量的重要程度

查看模型：

查看模型中变量的重要程度：

4.2 K近邻值算法（KNN算法）

results = c()      # 创建一个空向量
for(i in 1:10) {
  set.seed(1234)
  pred_knn <- knn(train=traindata_2[,2:30], test=testdata_2[,2:30], cl=traindata_2$Class, i)
  Table <- table(pred_knn, testdata_2$Class)
  accuracy <- sum(diag(Table))/sum(Table) # diag()提取对角线上的值
  results <- c(results, accuracy)
}

plot(x = 1:10, y = results, type = 'b', col = 'blue', xlab = 'k', ylab = 'accuracy')

# 根据图像k=4时，准确率最高。
pred_knn <- knn(train=traindata_2[,2:30], test=testdata_2[,2:30], cl=traindata_2$Class, 4)
confusionMatrix(pred_knn,testdata_2$Class) # 准确率为95.24%

4.3 模型评估

通过随机森林、k近邻算法分别得到model_rf、pred_knn两个模型，下面根据查全率、查准率和kappa三个维度评估模型。

5.结论

模型pred_knn在查全率、查准率以及kappa三个评估维度上都高于model_rf，其中查准率达到95.24%，在134个诈骗案中，只有1个判断错误，可用性比较高。

补充

为了方便描述，添加包没有放在文前

# 加载添加包
library(data.table) # fread()
library(VIM)        # aggr()
library(caret)      # 机器学习相关
library(dplyr)      # select()
library(ggplot2)    # ggplot/qplot
library(Rmisc)      # multiplot()
library(randomForest) # 随机森林
library(class)       # knn模型

信用卡诈骗分析