[发明专利]一种基于深度学习的信用卡欺诈检测方法

说明书

本发明公开了一种基于深度学习的信用卡欺诈检测方法，包括：获取信用卡欺诈交易的原始数据集，并且对数据集进行预处理；将数据划分为两部分，一部分作为训练集，另一部分作为测试集；将训练集输入深度学习的模型之中进行训练，优化模型参数，并且调整超参数，使得模型的性能达到最佳；将测试集输入训练好的模型，得出分类标签。本方法提出了包括两个神经网络的特征工程框架，以生成用于欺诈检测模型的特征变量，然后，将提取的特征与原始数据融合，然后输入到分类器中，以获得良好的欺诈检测性能。

技术领域

本发明属于信用卡欺诈检测技术领域，具体涉及一种基于深度学习(Deeplearning)的信用卡欺诈检测方法。

背景技术

近年来，随着移动支付的普及，信用卡交易的数量急剧增加。随之而来的是相应的问题，即随着信用卡的大规模使用，信用卡欺诈的问题变得越来越普遍，并且发生了重大损失。

一些机器学习已经应用于相关的欺诈检测问题，并取得了优异的成绩。应该注意的是，这些方法都属于监督学习，并且是具有浅层结构的统计模型。这里的浅层是指仅包含一层非线性变化的模型。这种结构的功能是将输入数据从原始空间映射到特征空间以进行特征提取。相反，深层结构是指具有多层非线性变化的结构。这些结构逐层连接，上一层的输出用作下一层的输入。深层结构可以提取数据的高级特征，这是提取的特征的重新组合，而高级特征是原始数据属性的高度概括。近年来，深度结构模型在图像和语音编码，图像和语音识别以及信息检索等领域取得了丰硕的成果，其结果优于传统的机器学习方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度学习的信用卡欺诈检测方法，所述方法提出了包括两个神经网络的特征工程框架，以生成用于欺诈检测模型的特征变量，然后，将提取的特征与原始数据融合，然后输入到分类器中，以获得良好的欺诈检测性能。

本发明的目的是这样实现的，一种基于深度学习的信用卡欺诈检测方法，包括以下步骤：

步骤1，获取信用卡欺诈交易的原始数据集，并且对数据集进行预处理；

步骤2，将数据划分为两部分，一部分作为训练集，另一部分作为测试集；

步骤3，将训练集输入深度学习的模型之中进行训练，优化模型参数，并且调整超参数，使得模型的性能达到最佳；

步骤4，将测试集输入训练好的模型，得出分类标签。

具体地，步骤3中所述的深度学习的模型的训练，包括以下步骤：

步骤301，原始数据特征data先经过全连接神经网络fc1，神经网络有29个神经元，得到数据特征data1；

步骤302，数据特征data1再经过全连接神经网络fc2，神经网络有116个神经元，得到数据特征data2；

步骤303，数据特征data2再经过全连接神经网络fc3，神经网络有99个神经元，得到数据特征data3；

步骤304，数据特征data3与原始数据特征data融合之后再经过全连接神经网络fc4，神经网络有128个神经元，得到数据特征data4；

步骤305，数据特征data4再经过全连接神经网络fc5，神经网络有64个神经元，得到数据特征data5；

步骤306，数据特征data5再经过全连接神经网络fc6，神经网络有2个神经元，得到数据标签。

优选地，所述的训练集为样本总数的三分之二，测试集为样本总数的三分之一。

具体地，所述的数据标签为0或1，0表示此交易为正常交易，1表示此交易为欺诈交易。

更进一步地，对分类标签进行相关的计算，得出相应指标的数值，指标包括精确度和召回率。