银行卡电信诈骗危险预测

银行卡电信诈骗危险预测
一、问题背景：
数字支付正在发展，但网络犯罪也在发展。电信诈骗案件持续高发，消费者受损比例持续走高。报告显示，64%的被调查者曾使用手机号码同时注册多个账户，包括金融类账户、社交类账户和消费类账户等，其中遭遇过电信诈骗并发生损失的比例过半。用手机同时注册金融类账户及其他账户，如发生信息泄露，犯罪分子更易接管金融支付账户盗取资金。
随着移动支付产品创新加快，各类移动支付在消费群体中呈现分化趋势，第三方支付的手机应用丰富的场景受到年轻人群偏爱，支付方式变多也导致个人信息也极易被不法分子盗取。根据数据泄露指数，每天有超过 500 万条记录被盗，这一令人担忧的统计数据表明 - 对于有卡支付和无卡支付类型的支付，欺诈仍然非常普遍。
在今天的数字世界，每天有数万亿的银行卡交易发生，检测欺诈行为的发生是一个严峻挑战。

详细代码如下，有问题可联系

import datetime
import numpy as np
import pandas as pd
import numpy as np
from tqdm import tqdm
tqdm.pandas()
import csv
import os
import pickle
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

查看异常值和缺失值

特征分析

X = x_train
y = label
# Specify the features of interest and the classes of the target
features = ['distance_from_home', 'distance_from_last_transaction','ratio_to_median_purchase_price', 'repeat_retailer', 'used_chip','used_pin_number', 'online_order'
]
classes = ["unoccupied", "occupied"]# Instantiate the visualizer
visualizer = ParallelCoordinates(classes=classes, features=features, sample=0.05, shuffle=True
)

在这里插入图片描述

模型训练

from sklearn.model_selection import GridSearchCV
train=train[:1000].head(900)
test=train[:1000].tail(100)param_value_dics={'n_estimators':range(100,900,500),'eta':np.arange(0.02,0.2,0.1),'max_depth':range(3,5,1),
#                    'num_leaves':range(10,30,10),
#                    'min_child_weight':range(300,1500,500),}xgb_model=XGBClassifier(**params)
clf=GridSearchCV(xgb_model,param_value_dics,scoring='roc_auc',n_jobs=-1,cv=5,return_train_score=True)
clf.fit(x_train, y)

参数调整

特征选择

# Create a dataset with only 3 informative features
X, y = make_classification(n_samples=1000, n_features=25, n_informative=3, n_redundant=2,n_repeated=0, n_classes=8, n_clusters_per_class=1, random_state=0
)
# Load the classification dataset
X = x_train
y = label
# Instantiate RFECV visualizer with a linear SVM classifier
visualizer = RFECV(SVC(kernel='linear', C=1))

模型评价

X = x_train
y = labelX_train, X_test, y_train, y_test = tts(X, y, test_size=0.2, shuffle=True, random_state=0
)# Create the visualizer, fit, score, and show it
viz = PrecisionRecallCurve(RidgeClassifier(random_state=0))

银行卡电信诈骗危险预测相关推荐

90后成电信诈骗重灾区为什么年轻人越来越容易被骗？
提起电信诈骗,你是不是还觉得只有不懂互联网里门门路路的老年人们才会上当? 根据中国信息通信研究院的数据,受骗用户年龄集中在90后,占比63.7%,其次是80后19.6%.而00后受骗用户占比甚至高于6 ...
电话骗局：被电信诈骗的恐惧与救赎
冖凵频道法务报道: 电话骗局:被电信诈骗的恐惧与救赎小李是一名年轻的大学生,她收到了一通神秘的电话,对方自称是公安局的工作人员,告诉小李她涉嫌犯罪,需要配合调查.小李十分惊慌,她慌张地听从对方的指 ...
个人信息泄露致电信诈骗猖獗专家:治理亟须完善立法
最近发生了几起电信诈骗导致被害人死亡的案件,引起公愤,虽然犯罪嫌疑人很快被抓获,但与这几起案件相关的个人信息泄露的问题仍值得我们持续关注.公众普遍质疑这样的问题,即犯罪嫌疑人怎么这么快就能够得到受害人 ...
史上最强技术电信诈骗蔓延！无法防范！只能等死！
短信抢劫啊看到一篇文章不错,十分的不错,不错到有些恐怖了,直接就转载过来了! 文章原文没有办法防范!无法抵挡!没有办法防范! 重要的话说三遍!是真的无法防范!到你头上你就死! 否则我们不会那么着急 ...
半年时间破获电信诈骗大案：我是如何利用数据分析建模，从零基础做到的
五年前,我离开了国企工厂的安乐窝,借一个偶然的机会进入了天津唯一的第三方支付公司中汇支付.这是我职业生涯中跨度最大的转变之一. 说实话这个跨度挺大的,以后我每次的换工作行业.领域跨度都很大. 文章目录 ...
离奇电信诈骗：一夜损失 52000元，毒品、情妇、黑客交织的犯罪网络
2 月 3 日,深圳何先生的手机被远程锁定,某电商账户在凌晨被盗刷.不法分子利用白条消费和信用贷款,把钱款通过银行卡转账和 ATM 机无卡提现窃取,造成何先生损失 52000 元. 3 月 21 日, ...
电信诈骗“喽啰”庭上不识东家
4台湾人自称受聘取钱护照被收难脱身 "我不知道钱是从哪来的,我们只是打工的."昨天(1月26日),李汉霖等4名台湾人在市一中院受审.据悉,他们作为一个电信诈骗团伙的"喽 ...
php虚拟电话号码,[视频]一号通电信诈骗追踪虚拟号码服务藏漏洞
进入[整点新闻]>> "一号通"业务"擅长"呼叫转移与服务管理,只要通过网络或者任何一部固定电话,您都可以随时随地改变"一号通" ...
【天光学术】经济法论文:高校电信诈骗的主要表现形式及其防范策略【开题报告法学硕士研究生毕业论文】
摘要近年来,针对在校大学生而实施的电信诈骗犯罪日益增多,给家庭.学校和社会带来了巨大影响和严重危害.本文深刻分析研究高校电信诈骗的表现形式,并在此基础上提出有效防范对策,对于高校教育大学生防范电信 ...

银行卡电信诈骗危险预测

银行卡电信诈骗危险预测相关推荐

最新文章

热门文章