[发明专利]一种基于约束投影的多决策树信用卡欺诈检测方法及系统

摘要

本发明提供一种基于约束投影的多决策树信用卡欺诈检测方法，该方法包括：建立样本属性集A；获取训练样本集D，将训练样本集D分离为欺诈交易样本集Dmin和正常交易样本集Dmaj，迭代生成must‑link集集合M＝{Mk|k＝1，2，...，K}和cannot‑link集集合C＝{Ck|k＝1，2，...，K}，迭代学习投影矩阵集，迭代生成投影后的训练集集合，迭代学习决策树集合，处理待分类样本x，分别对x进行投影，对x的类别进行预测，终判定x属于正常样本还是欺诈样本。与相关技术相比，本发明提供的一种基于约束投影的多决策树信用卡欺诈检测方法能够有效地分析交易样本是否属于欺诈样本，并且能在预测正常和欺诈样本上保持高准确率，从而具有更广泛的工程应用价值。本发明还提供一种基于约束投影的多决策树信用卡欺诈检测系统。

主权项

1.一种基于约束投影的多决策树信用卡欺诈检测方法，其特征在于，包括：步骤1，建立样本属性集A；获取训练样本集D，根据所述的属性集对训练样本集进行处理；步骤2，将训练样本集D分离为欺诈交易样本集Dmin和正常交易样本集Dmaj，从Dmin和Dmaj中选取样本迭代生成must‑link集集合M＝{Mk|k＝1，2，...，K}和cannot‑link集集合C＝{Ck|k＝1，2，...，K}，其中Mk＝{(xi，xj)|xi，xj∈Dmin||xi，xj∈Dmaj}，Ck＝{(xi，xj)|xi∈Dmin，xj∈Dmaj}；步骤3，迭代学习投影矩阵集W＝{W_k|k＝1，2，...，K}，其中，使用如下步骤学习投影矩阵W_k：基于步骤2所得的M_k和C_k，学习一个投影矩阵W_k＝[w₁，w₂，...，w_d]，使得在投影后的空间内，M_k中的must‑link约束条件和C_k中的cannot‑link约束条件得以最大程度保留，形式化地，最大化目标函数其中，|Ck|和|Mk|分别为Ck和Mk的大小，考虑到类内样本的距离通常小于类间样本的距离，使用γ来调节式(1)中两项的权重，定义为通过计算，式(1)可简化为如下形式其中，式(3)的求解可转化为计算的d个非负特征值对应的特征向量w₁，w₂，...，w_d，则所求的投影矩阵W_k＝[w₁，w₂，...，w_d]；步骤4，迭代生成投影后的训练集集合{D_k|k＝1，2，...，K}，其中，步骤5，迭代学习决策树集合DT＝{DTk|k＝1，2，...，K}，其中，使用如下步骤学习一棵决策树DTk，学习的输入条件为步骤4所得的训练集Dk和步骤1所得的样本属性集A；步骤6，利用步骤1的属性表A处理待分类样本x，利用步骤3所得的投影矩阵集W分别对x进行投影，并利用步骤5中所得的相应的决策树对x的类别进行预测，进而将各个决策树的预测结果进行投票，最终判定x属于正常样本还是欺诈样本。