Oszustwa są poważnym problemem w branży marketingowej i mogą spowodować znaczne straty dla firm. Aby zwalczyć ten problem, firmy potrzebują skutecznego systemu wykrywania oszustw, który może identyfikować oszukańcze działania w czasie rzeczywistym. W tym artykule zagłębimy się w krzywą ROC, omawiając czym ona jest, jak jest obliczana oraz jej zastosowaniem w wykrywaniu oszustw w celach marketingowych.

Piszę o uczeniu maszynowym na Medium || Github || Kaggle || Linkedin . Śledź „Nhi Yen” w celu uzyskania przyszłych aktualizacji!

1. Co to jest ROC?

ROC oznacza charakterystykę operacyjną odbiornika . Jest to graficzna reprezentacja wydajności binarnego modelu klasyfikacji.

Mówiąc prościej, krzywa ROC jest wykresem wskaźnika prawdziwie dodatnich wyników (TPR) w stosunku do współczynnika wyników fałszywie dodatnich (FPR) modelu klasyfikacyjnego .

• TPR jest również znany jako czułość i mierzy odsetek rzeczywistych wyników dodatnich, które są prawidłowo identyfikowane jako pozytywne.
• Z drugiej strony FPR mierzy odsetek rzeczywistych negatywów, które są błędnie identyfikowane jako pozytywne.

Aby obliczyć krzywą ROC, musimy najpierw wygenerować macierz zamieszania, która pokazuje rzeczywiste i przewidywane wartości binarnego modelu klasyfikacji. Macierz nieporozumień obejmuje cztery wartości: prawdziwie dodatnie (TP), fałszywie dodatnie (FP), prawdziwie ujemne (TN) i fałszywie ujemne (FN).

Gdy już mamy macierz zamieszania, możemy obliczyć TPR i FPR dla różnych wartości progowych. Wartość progowa określa punkt odcięcia dla modelu klasyfikacji w celu przewidywania pozytywnego lub negatywnego wyniku. Następnie wykreśla się krzywą ROC, łącząc wartości TPR i FPR dla różnych wartości progowych.

Równanie matematyczne do obliczania TPR i FPR jest następujące:

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

Krzywa ROC jest szeroko stosowana w różnych dziedzinach, takich jak diagnostyka medyczna, ocena ryzyka kredytowego i filtrowanie spamu. Rzućmy okiem na kilka rzeczywistych przypadków, w których z powodzeniem zastosowano krzywą ROC:

1. Diagnoza medyczna : Krzywa ROC służy do oceny wykonania testów diagnostycznych. W badaniu przeprowadzonym przez Ruttera i wsp. wykorzystali krzywą ROC do oceny dokładności różnych testów diagnostycznych raka jelita grubego.
2. Ocena ryzyka kredytowego: Krzywa ROC służy do oceny zdolności kredytowej osób fizycznych. W badaniu przeprowadzonym przez Liao i in. wykorzystali krzywą ROC do oceny wydajności modelu oceny ryzyka kredytowego.
3. Filtrowanie spamu: krzywa ROC służy do oceny wydajności filtrów spamu. W badaniu przeprowadzonym przez Almeidę i wsp. wykorzystali krzywą ROC do porównania wydajności różnych filtrów antyspamowych.

Wykrywanie oszustw w marketingu ma kluczowe znaczenie dla zapobiegania stratom finansowym i ochrony klientów. Krzywa ROC może być wykorzystana do oceny wydajności modeli wykrywania oszustw. Rzućmy okiem na kilka rzeczywistych studiów przypadków, w których krzywa ROC została wykorzystana do wykrywania oszustw w marketingu:

4.1. Wykrywanie oszustw związanych z kartami kredytowymi :

W badaniu przeprowadzonym przez Zhang i wsp. wykorzystali krzywą ROC do oceny wydajności modelu wykrywania oszustw związanych z kartami kredytowymi. Model osiągnął wysoki współczynnik AUC (Area Under the Curve) wynoszący 0,99, co wskazuje na jego skuteczność w wykrywaniu nieuczciwych transakcji.

4.2. Wykrywanie oszustw związanych z reklamą cyfrową

W badaniu przeprowadzonym przez Du i wsp. wykorzystali krzywą ROC do oceny wydajności modelu wykrywania oszustw w reklamie cyfrowej. Model osiągnął AUC na poziomie 0,97, co wskazuje na jego wysoką dokładność w wykrywaniu fałszywych kliknięć.

4.3. Wykrywanie oszustw w marketingu afiliacyjnym

W badaniu przeprowadzonym przez Liu i wsp. wykorzystali krzywą ROC do oceny wydajności modelu wykrywania oszustw w marketingu afiliacyjnym. Model osiągnął AUC na poziomie 0,94, co wskazuje na jego skuteczność w wykrywaniu nieuczciwych transakcji partnerskich.

We wszystkich tych badaniach krzywa ROC odgrywała kluczową rolę w ocenie wydajności modeli wykrywania oszustw. Wynik AUC jest krytyczną miarą, która wskazuje skuteczność modelu w wykrywaniu oszukańczych działań. Im wyższy wynik AUC, tym lepsza wydajność modelu.

5. Projekty praktyczne

• Wykrywanie oszustw związanych z kartami kredytowymi: praktyczny projekt — TUTAJ
• Ciąg dalszy nastąpi…

Krzywa ROC to potężne narzędzie, które jest szeroko stosowane w ocenie wydajności binarnych modeli klasyfikacji. Jest to przydatne narzędzie do wykrywania nadużyć w marketingu, ponieważ pomaga ocenić skuteczność modeli wykrywania nadużyć. Wyższy wynik AUC wskazuje na lepszą wydajność modelu w wykrywaniu oszukańczych działań. Korzystając z krzywej ROC, firmy mogą opracować skuteczne systemy wykrywania oszustw, które mogą chronić swoich klientów i zapobiegać stratom finansowym.

Bibliografia

1. Rutter, CM, Gatsonis, CA i Auerbach, AD (2004). Analiza charakterystyk pracy odbiornika do oceny testów diagnostycznych i modeli predykcyjnych. Cyrkulacja, 114 (5), 499–506.
2. Liao, J., Lei, J. i Wu, D. (2018). Zastosowanie krzywej ROC w ocenie ryzyka kredytowego. Journal of Intelligent & Fuzzy Systems, 35 (3), 3461–3468.
3. Almeida, TA, Hidalgo, JMG i Yamakami, A. (2010). Wkład w badanie filtrowania spamu SMS: Nowa kolekcja i wyniki. Transakcje ACM dotyczące bezpieczeństwa informacji i systemu (TISSEC), 13 (4), 1–31.
4. Zhang, X., Tian, ​​Y. i Xie, J. (2016). Wykrywanie oszustw związanych z kartami kredytowymi w oparciu o konwolucyjne sieci neuronowe. arXiv preprint arXiv:1604.04522.
5. Du, X., Guan, Y., Xu, J. i Fu, X. (2019). Ulepszony model wykrywania oszustw związanych z kliknięciami w reklamach internetowych z wykorzystaniem sieci głębokiego przekonania. Systemy komputerowe przyszłej generacji, 91, 484–491.
6. Liu, H., Yang, L. i Chen, Y. (2018). Nowatorski algorytm wykrywania oszustw oparty na sieci Bayesa i algorytmie genetycznym w marketingu afiliacyjnym. Journal of Intelligent & Fuzzy Systems, 34 (2), 1279–1290.

Daj artykułowi 50 klaśnięć

Podążaj za mną

Przeczytaj więcej artykułów na Medium

Połącz się w mediach społecznościowych Github | Linkedin | Kaggle

#ROCcurve #FraudDetection #Marketing #Analiza danych #Uczenie maszynowe