问题标签 [fraud-prevention]

我正在研究信用卡欺诈检测模型，并已标记包含在线商店订单的数据。我正在使用的列是：客户全名、送货地址和账单地址（城市、州、邮编、街道）、订单数量、总成本以及订单是否被发现存在欺诈的指标。

问题在于 98% 以上的交易不是欺诈性的——数据集高度不平衡。我知道这是一个分类问题，但是我不确定从我正在使用的列和数据的不平衡从哪里开始。

对于此用例以及如何处理不平衡数据，我将不胜感激任何适当的分类算法的建议。在搜索如何解决这个问题时，我发现了几篇文章，但是大多数文章都在使用具有非常不同列的 Kaggle 数据集（由于不允许公开信息的安全原因）。

谢谢！

您好，我正在尝试部署在 NEO4j 用例中共享的欺诈检测用例点击此链接：https ://neo4j.com/graphgist/credit-card-fraud-detection

为了更深入地了解数据，我想使用链接中共享的数据库 https://www.dropbox.com/s/4uij4gs2iyva5bd/credit%20card%20fraud.zip

我不知道如何加载它，因为没有 .csv 文件，只有 .db 具有相同的 system 和 neo4j 数据库结构，我试图创建一个数据库并将其连接到欺诈检测文件的路径，

任何人都可以帮助我使用这个数据库

一些 android 用户使用 play-store 上提供的自动点击器应用程序来多次点击。

所以我想检测/阻止尝试使用自动点击器的用户。android中有没有办法检测到这些用户？如果是，那么我们如何检测这些用户？

我有一个场景：

• 用户 A 是（欺诈者）。
• 用户 B 不是（欺诈者）。但是，系统将不允许用户 B 执行任何操作。因为 B 和 A 使用相同的电话号码（与欺诈用户共享属性）。（1 层）。
• 用户 D 不是（欺诈者）。但是 D 与 B 使用相同的 Deviceid 并且 B 与欺诈用户共享属性。然后也阻止用户 D。在这种情况下，有 2 层。D 与 B 比较，B 与 A 比较。在此示例中，有 3 个用户。如果我有 100 个用户！查询会很长，有 99 层。

*注意：我不想更新 B 和 D 成为欺诈者。它们只是与欺诈用户共享的属性。因此，如果我决定将用户 A 更改为不是欺诈者。与其他用户没有任何变化。

我有一个应用程序，用户注册我的服务并通过在线支付或货到付款购买商品。

欺诈用户与日俱增，从后端阻止用户 ID 只会延迟他们创建新用户的时间。

阻止整个设备使用或注册到我的应用程序的推荐方法是什么？即使他/她删除并重新安装了我的应用程序。有没有办法唯一识别设备？还是有其他方法？

我看到的所有其他帖子都是 2014 年的，让我更加困惑。

为了防止欺诈，我们需要尽可能确保客户不会从他们的系统中创建多个帐户来获取免费赠品并进行欺诈。我们需要的是像智能手机一样的唯一设备 ID，我们可以通过 android/ios 应用程序访问它，但是在 Web/移动浏览器的情况下，我们无法获取他们的设备 ID/序列号等，并且以某种方式要求客户允许我们获取他们系统的信息似乎不是一个好主意。

我们最初所做的是我们对客户的 ip 地址和他们的用户代理进行 md5 编码，这通过一点点解决了这个目的，我们能够识别从同一个 ip 和同一个浏览器运行的多个帐户，但仍然可以很容易地更改 IP，是我们可以通过任何方式为与系统链接的每个浏览器创建独特的东西。

有没有办法降低经典欺诈预测问题中的误报率。目前我正在研究经典的欺诈检测。真实标签样本50000份（结果待查）。这些训练标签相当平衡。我选择的逻辑回归模型表现良好，f1 得分超过 90%。现在使用该模型预测新案例的结果是 50/50（欺诈和非欺诈）。有没有办法调整模型，让通过非欺诈案例并惩罚误报率，以便我们检测到更少数量的欺诈案例（可能少于 100 万个中的 200 个），但它们很可能是欺诈。希望清除。

我正在尝试找到一种方法来创建一个查询，该查询在个人提交传统上伴随其他交易的交易时返回他们的交易。

示例（数据如下）：

我们看到员工购买了航班（购买航班的日期）。然后，他们提交了与出发日期和返回日期相匹配的交易日期的行李费。然后我们看到他们提交了第三份与任何航空公司日期都不匹配的文件。

如果每个人的航空公司出发/返回日期与交易日期匹配，是否有办法识别每个收取行李费的人？在下面的示例中，每个员工的最后行李费是我希望返回的行，因为它们与各自航班的出发/返回日期不匹配。

数据库名称 = 费用表

我有一个 WooCommerce 网站的客户遇到了一个我找不到快速解决方案的骗局。

他们主要是一家美国公司，但支付网关接受在美国境外发行的信用卡。客户下订单，完成交易，然后取消信用卡。这导致客户既没钱又没产品，因为海外银行通常不关心将钱退还给他。

我可以使用哪些方法/策略来确保访问他网站的所有信用卡都来自美国？

我想使用 sagemaker 部署用于欺诈检测的实时预测机器学习模型。

我使用 sagemaker jupyter 实例来：

对于推理步骤，我使用了一个 lambda 函数，它调用我的端点来获取每个实时事务的预测。