信用卡反欺诈模型

一、项目介绍 

数据来源于kaggle平台（欧洲持卡人2天内的28万笔+信用卡交易），需通过信用卡历史交易数据进行机器学习，构建“信用卡反欺诈数据模型”，从而提前发现客户信用卡被盗刷的事件。

二、构建模型

三、python代码

最优阈值：

阈值越小，recall值越大，模型能找出信用卡被盗刷的数量就更多，但是误判的数量也较大。随着阈值逐渐变大，recall rate逐渐变小，precision rate逐渐变大，误判的数量也随之减少。通过调整模型阈值，控制模型反信用卡欺诈的力度，若想找出更多的信用卡被盗刷就设置较小的阈值，反之，则设置较大的阈值。

实际业务中，阈值的选择取决于公司业务边际利润和边际成本的比较；当模型阈值设置较小的值，确实能找出更多的信用卡被盗刷的持卡人，但随着误判数量增加，不仅加大了贷后团队的工作量，也会降低误判为信用卡被盗刷客户的消费体验，从而导致客户满意度下降，如果某个模型阈值能让业务的边际利润和边际成本达到平衡时，则该模型的阈值为最优值。当然也有例外的情况，发生金融危机，往往伴随着贷款违约或信用卡被盗刷的几率会增大，而金融机构会更愿意不惜一切代价守住风险的底线。