사기는 마케팅 산업에서 심각한 문제이며 회사에 상당한 손실을 초래할 수 있습니다. 이 문제를 해결하기 위해 기업은 사기 행위를 실시간으로 식별할 수 있는 효과적인 사기 탐지 시스템이 필요합니다. 이 기사에서는 ROC 곡선이 무엇인지, 계산 방법 및 마케팅 목적의 사기 탐지에 적용하는 방법에 대해 논의하면서 ROC 곡선에 대해 자세히 설명합니다.

Medium 에서 기계 학습에 대해 글을 씁니다 || 깃허브 || 캐글 || 링크드인 . "Nhi Yen"을 팔로우하여 향후 업데이트를 확인하세요!

1. ROC란?

ROC는 Receiver Operating Characteristic의 약자입니다 . 이진 분류 모델의 성능을 그래픽으로 표현한 것입니다.

간단히 말해서 ROC 곡선은 분류 모델의 거짓 긍정률(FPR)에 대한 참 긍정률(TPR)의 플롯입니다 .

• TPR은 민감도라고도 하며 양성으로 올바르게 식별되는 실제 양성의 비율을 측정합니다.
• 반면에 FPR은 양성으로 잘못 식별된 실제 음성의 비율을 측정합니다.

ROC 곡선을 계산하려면 먼저 이진 분류 모델의 실제 값과 예측 값을 표시하는 혼동 행렬을 생성해야 합니다. 혼동 행렬에는 참 긍정(TP), 거짓 긍정(FP), 참 부정(TN) 및 거짓 부정(FN)의 네 가지 값이 포함됩니다.

혼동 행렬이 있으면 서로 다른 임계값에 대한 TPR 및 FPR을 계산할 수 있습니다. 임계값은 긍정적 또는 부정적 결과를 예측하기 위한 분류 모델의 컷오프 지점을 결정합니다. 그런 다음 서로 다른 임계값에 대한 TPR 및 FPR 값을 연결하여 ROC 곡선을 그립니다.

TPR 및 FPR을 계산하는 수학 공식은 다음과 같습니다.

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

ROC 곡선은 의료 진단, 신용 위험 평가, 스팸 필터링 등 다양한 분야에서 널리 사용됩니다. ROC 곡선이 성공적으로 적용된 몇 가지 실제 사례 연구를 살펴보겠습니다.

1. 의학적 진단 : ROC 곡선은 진단 테스트의 성능을 평가하는 데 사용됩니다. Rutter 등의 연구에서 그들은 ROC 곡선을 사용하여 대장암에 대한 다양한 진단 테스트의 정확도를 평가했습니다.
2. 신용 위험 평가: ROC 곡선은 개인의 신용도를 평가하는 데 사용됩니다. Liao 등의 연구에서 ROC 곡선을 사용하여 신용 위험 평가 모델의 성능을 평가했습니다.
3. 스팸 필터링: ROC 곡선은 스팸 필터의 성능을 평가하는 데 사용됩니다. Almeida 등의 연구에서 ROC 곡선을 사용하여 다양한 스팸 필터의 성능을 비교했습니다.

마케팅에서 사기 탐지는 재정적 손실을 방지하고 고객을 보호하는 데 중요합니다. ROC 곡선은 사기 탐지 모델의 성능을 평가하는 데 사용할 수 있습니다. ROC 곡선이 마케팅 사기 탐지에 사용된 몇 가지 실제 사례 연구를 살펴보겠습니다.

4.1. 신용 카드 사기 탐지 :

Zhang 등의 연구에서 ROC 곡선을 사용하여 신용 카드 사기 탐지 모델의 성능을 평가했습니다. 이 모델은 0.99의 높은 AUC(Area Under the Curve)를 달성하여 사기 거래를 탐지하는 데 효과적임을 나타냅니다.

4.2. 디지털 광고 사기 탐지

Du 등의 연구에서 ROC 곡선을 사용하여 디지털 광고에 대한 사기 탐지 모델의 성능을 평가했습니다. 이 모델은 0.97의 AUC를 달성하여 사기성 클릭을 감지하는 데 높은 정확도를 나타냅니다.

4.3. 제휴 마케팅 사기 탐지

Liu 등의 연구에서 ROC 곡선을 사용하여 제휴 마케팅을 위한 사기 탐지 모델의 성능을 평가했습니다. 이 모델은 0.94의 AUC를 달성하여 사기성 제휴 거래를 탐지하는 데 효과적임을 나타냅니다.

이 모든 연구에서 ROC 곡선은 사기 탐지 모델의 성능을 평가하는 데 중요한 역할을 했습니다. AUC 점수는 사기 활동을 감지하는 모델의 효율성을 나타내는 중요한 메트릭입니다. AUC 점수가 높을수록 모델의 성능이 더 좋습니다.

5. 실습 프로젝트

• 신용 카드 사기 감지: 실습 프로젝트 — 여기
• 계속하려면…

ROC 곡선은 이진 분류 모델의 성능을 평가하는 데 널리 사용되는 강력한 도구입니다. 사기 탐지 모델의 효과를 평가하는 데 도움이 되므로 마케팅에서 사기 탐지에 유용한 도구입니다. AUC 점수가 높을수록 사기 활동을 감지하는 모델의 성능이 더 우수함을 나타냅니다. 기업은 ROC 곡선을 사용하여 고객을 보호하고 재정적 손실을 방지할 수 있는 효과적인 사기 탐지 시스템을 개발할 수 있습니다.

참조

1. Rutter, CM, Gatsonis, CA 및 Auerbach, 광고(2004). 진단 테스트 및 예측 모델 평가를 위한 수신기 작동 특성 분석. 순환, 114(5), 499–506.
2. Liao, J., Lei, J., & Wu, D. (2018). 신용 위험 평가에서 ROC 곡선의 적용. 지능 및 퍼지 시스템 저널, 35(3), 3461–3468.
3. Almeida, TA, Hidalgo, JMG, & Yamakami, A. (2010). SMS 스팸 필터링 연구에 대한 기여: 새로운 수집 및 결과. 정보 및 시스템 보안에 관한 ACM 거래(TISSEC), 13(4), 1–31.
4. 장, X., Tian, ​​Y., & Xie, J. (2016). 컨볼루션 신경망을 기반으로 한 신용 카드 사기 탐지. arXiv 프리프린트 arXiv:1604.04522.
5. Du, X., Guan, Y., Xu, J., & Fu, X. (2019). 깊은 믿음 네트워크를 사용하는 온라인 광고를 위한 개선된 클릭 사기 탐지 모델. 미래 세대 컴퓨터 시스템, 91, 484–491.
6. Liu, H., Yang, L., & Chen, Y. (2018). 베이지안 네트워크와 제휴 마케팅의 유전자 알고리즘을 기반으로 한 새로운 사기 탐지 알고리즘입니다. 지능 및 퍼지 시스템 저널, 34(2), 1279–1290.

기사에 박수 50번 주기

팔로우

Medium 에서 더 많은 기사 읽기

소셜 미디어 Github 에서 연결 | 링크드인 | 캐글

#ROCcurve #FraudDetection #Marketing #DataAnalytics #MachineLearning