摘要：随着犯罪手法的增加，商业银行接收的欺诈、正常类交易数据在一定程度上也越难被分辨，这不仅为检测带来难度，更使银行损失严重。本文构建了一个基于一类支持向量机的混合检测集成模型，实现对欺诈交易数据的精确检测。首先用一类支持向量机找出数据重叠区域的边界并令边界内的类别比和边界内数据完整度作为模型性能度量。而后使用逻辑回归模型在重叠集内分类，外部数据则自动分为正常类。考虑到重叠集外的欺诈类数据信息的丢失，采用另一个逻辑回归模型做补充学习器，着重学习上述混合分类器误分类的数据，构建集成学习模型。结果显示混合分类器的召回率为逻辑回归模型的1.4倍，最终的集成模型不仅提升了召回率，分类准确率也提升到0.98。

关键字： 重叠集边界 一类支持向量机 逻辑回归 集成学习

目录

摘要

Abstract

1 绪论-1

1.1 研究背景与意义-1

1.2 国内外研究现状-1

1.3 研究内容与方法-2

2 混合分类模型及集成学习模型原理-4

2.1一类支持向量机模型-4

2.2 定义边界内的重叠程度-6

2.3 构建重叠集内的检测模型-6

2.3.1重叠集边界模型参数寻优方法-6

2.3.2 二项逻辑回归模型原理-7

2.4 构建集成学习模型-7

2.4.1 集成学习模型构建-7

3 基于混合分类模型的信用卡欺诈交易检测-9

3.1 数据分析与处理-9

3.1.1 数据来源-9

3.1.2 数据预处理-9

3.2 交易行为数据的分布分析-9

3.2.1交易发生时间、金额分布-9

3.2.2其他维度分布-11

3.3 构建基于OCSVM的混合欺诈交易检测集成模型-13

3.3.1 重叠集边界的构建与寻优-13

3.3.2 计算边界内重叠程度-13

3.3.3 集成学习模型结果分析-14

4 总结-16

参 考 文 献-17

致谢