不正行為はマーケティング業界における重大な問題であり、企業に多大な損失をもたらす可能性があります。この問題に対処するために、企業は不正行為をリアルタイムで特定できる効果的な不正検出システムを必要としています。この記事では、ROC 曲線について詳しく説明し、ROC 曲線とは何か、その計算方法、およびマーケティング目的の不正検出への応用について説明します。

私はMediumで機械学習について書いています|| ギットハブ|| カグル|| リンクトイン。 今後の最新情報については「Nhiyen」をフォローしてください！

1.ROCとは何ですか?

ROC は、受信者動作特性の略です。これは、二項分類モデルのパフォーマンスをグラフで表現したものです。

簡単に言うと、ROC 曲線は、分類モデルの真陽性率 (TPR) と偽陽性率 (FPR) をプロットしたものです。

• TPR は感度とも呼ばれ、陽性として正しく識別される実際の陽性の割合を測定します。
• 一方、FPR は、誤って陽性と認識される実際の陰性の割合を測定します。

ROC 曲線を計算するには、まず二項分類モデルの実際の値と予測値を示す混同行列を生成する必要があります。混同行列には、真陽性 (TP)、偽陽性 (FP)、真陰性 (TN)、および偽陰性 (FN) の 4 つの値が含まれます。

混同行列を取得したら、さまざまなしきい値の TPR と FPR を計算できます。しきい値は、分類モデルが肯定的または否定的な結果を予測するためのカットオフ ポイントを決定します。次に、異なるしきい値の TPR 値と FPR 値を接続することによって ROC 曲線がプロットされます。

TPR と FPR を計算するための計算式は次のとおりです。

True Positive Rate (TPR) = TP / (TP + FN)
False Positive Rate (FPR) = FP / (FP + TN)

ROC曲線は、医療診断、信用リスク評価、スパムフィルタリングなど、さまざまな分野で広く使用されています。ROC 曲線がうまく適用された実際のケーススタディをいくつか見てみましょう。

1. 医療診断: ROC 曲線は、診断検査のパフォーマンスを評価するために使用されます。Rutter らによる研究では、ROC 曲線を使用して結腸直腸がんのさまざまな診断検査の精度を評価しました。
2. 信用リスク評価: ROC 曲線は個人の信用力を評価するために使用されます。Liao らによる研究では、ROC 曲線を使用して信用リスク評価モデルのパフォーマンスを評価しました。
3. スパム フィルタリング: ROC 曲線は、スパム フィルタのパフォーマンスを評価するために使用されます。Almeida らによる研究では、ROC 曲線を使用してさまざまなスパム フィルターのパフォーマンスを比較しました。

マーケティングにおける不正行為の検出は、経済的損失を防ぎ、顧客を保護するために非常に重要です。ROC 曲線は、不正検出モデルのパフォーマンスを評価するために使用できます。マーケティングにおける不正検出に ROC 曲線が使用された実際のケーススタディをいくつか見てみましょう。

4.1. クレジットカード詐欺の検出:

Zhang らによる研究では、ROC 曲線を使用してクレジット カード不正検出モデルのパフォーマンスを評価しました。このモデルは 0.99 という高い AUC (曲線下面積) を達成し、不正取引の検出における有効性を示しています。

4.2. デジタル広告詐欺の検出

Du らによる研究では、ROC 曲線を使用してデジタル広告の不正検出モデルのパフォーマンスを評価しました。このモデルは AUC 0.97 を達成し、不正クリックの検出精度が高いことを示しています。

4.3. アフィリエイト マーケティング詐欺の検出

Liu らによる研究では、ROC 曲線を使用してアフィリエイト マーケティングの不正検出モデルのパフォーマンスを評価しました。このモデルは AUC 0.94 を達成し、不正なアフィリエイト取引の検出における有効性を示しています。

これらすべての研究において、ROC 曲線は不正検出モデルのパフォーマンスを評価する上で重要な役割を果たしました。AUC スコアは、不正行為の検出におけるモデルの有効性を示す重要な指標です。AUC スコアが高いほど、モデルのパフォーマンスが向上します。

5. 実践プロジェクト

• クレジット カード詐欺の検出: 実践的なプロジェクト —こちら
• つづく…

ROC 曲線は、二項分類モデルのパフォーマンスを評価する際に広く使用されている強力なツールです。これは、不正検出モデルの有効性を評価するのに役立つため、マーケティングにおける不正検出に役立つツールです。AUC スコアが高いほど、不正行為の検出におけるモデルのパフォーマンスが優れていることを示します。ROC 曲線を使用することで、企業は顧客を保護し、経済的損失を防ぐ効果的な不正検出システムを開発できます。

参考文献

1. ラッター、CM、ガトソニス、カリフォルニア州、アウアーバッハ、AD (2004)。診断テストと予測モデルを評価するための受信機動作特性分析。循環、114(5)、499–506。
2. Liao, J.、Lei, J.、Wu, D. (2018)。信用リスク評価における ROC 曲線の適用。Journal of Intelligent & Fuzzy Systems、35(3)、3461–3468。
3. アルメイダ、TA、ヒダルゴ、JMG、およびヤマカミ、A. (2010)。SMS スパム フィルタリングの研究への貢献: 新しいコレクションと結果。情報およびシステム セキュリティに関する ACM トランザクション (TISSEC)、13(4)、1 ～ 31。
4. Zhang, X.、Tian, Y.、Xie, J. (2016)。畳み込みニューラル ネットワークに基づいたクレジット カード不正検出。arXiv プレプリント arXiv:1604.04522。
5. Du, X.、Guan, Y.、Xu, J.、および Fu, X. (2019)。ディープ ビリーフ ネットワークを使用したオンライン広告向けの改良されたクリック詐欺検出モデル。将来世代コンピュータ システム、91、484 ～ 491。
6. Liu, H.、Yang, L.、Chen, Y. (2018)。アフィリエイト マーケティングにおけるベイジアン ネットワークと遺伝的アルゴリズムに基づいた新しい不正検出アルゴリズム。Journal of Intelligent & Fuzzy Systems、34(2)、1279–1290。

記事に 50 回拍手を送りましょう

フォローしてください

Mediumの記事をもっと読む

ソーシャルメディアでつながるGithub | リンクトイン| カグル

#ROCcurve #不正検出 #マーケティング #データ分析 #機械学習