การฉ้อโกงเป็นปัญหาสำคัญในอุตสาหกรรมการตลาด และอาจทำให้บริษัทต่างๆ เสียหายได้ เพื่อต่อสู้กับปัญหานี้ ธุรกิจต้องการระบบตรวจจับการฉ้อโกงที่มีประสิทธิภาพซึ่งสามารถระบุกิจกรรมการฉ้อโกงได้แบบเรียลไทม์ ในบทความนี้ เราจะเจาะลึกเส้นโค้ง ROC อภิปรายว่ามันคืออะไร วิธีคำนวณ และการประยุกต์ใช้ในการตรวจจับการฉ้อโกงเพื่อวัตถุประสงค์ทางการตลาด

ฉันเขียนเกี่ยวกับการเรียนรู้ของเครื่องบนสื่อ || Github || กะล่อน || ลิงค์อิน ติดตาม “Nhi Yen” สำหรับการอัพเดทในอนาคต!

1. ROC คืออะไร?

ROC ย่อมาจากลักษณะการทำงานของเครื่องรับ เป็นการแสดงกราฟิกของประสิทธิภาพของแบบจำลองการจำแนกประเภทไบนารี

กล่าวอย่างง่ายๆเส้นโค้ง ROC เป็นพล็อตของ True Positive Rate (TPR) เทียบกับ False Positive Rate (FPR) ของแบบจำลองการจำแนกประเภท

• TPR เรียกอีกอย่างว่าความไว และวัดสัดส่วนของผลบวกจริงที่ระบุอย่างถูกต้องว่าเป็นผลบวก
• ในทางกลับกัน FPR จะวัดสัดส่วนของค่าลบที่เกิดขึ้นจริงซึ่งระบุว่าเป็นค่าบวกอย่างไม่ถูกต้อง

ในการคำนวณเส้นโค้ง ROC ก่อนอื่นเราต้องสร้างเมทริกซ์ความสับสนที่แสดงค่าจริงและค่าที่คาดการณ์ของแบบจำลองการจำแนกประเภทไบนารี เมทริกซ์ความสับสนประกอบด้วยสี่ค่า: True Positive (TP), False Positive (FP), True Negative (TN) และ False Negative (FN)

เมื่อเรามีเมทริกซ์ความสับสนแล้ว เราสามารถคำนวณ TPR และ FPR สำหรับค่าเกณฑ์ต่างๆ ได้ ค่าเกณฑ์กำหนดจุดตัดสำหรับแบบจำลองการจำแนกประเภทเพื่อทำนายผลบวกหรือลบ จากนั้น กราฟ ROC จะถูกลงจุดโดยการเชื่อมต่อค่า TPR และ FPR สำหรับค่าขีดจำกัดที่แตกต่างกัน

สมการทางคณิตศาสตร์ในการคำนวณ TPR และ FPR มีดังนี้:

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

เส้น ROC ถูกนำมาใช้กันอย่างแพร่หลายในด้านต่างๆ เช่น การวินิจฉัยทางการแพทย์ การประเมินความเสี่ยงด้านเครดิต และการกรองสแปม มาดูกรณีศึกษาในโลกแห่งความเป็นจริงที่ ROC Curve ประสบความสำเร็จ:

1. การวินิจฉัยทางการแพทย์ : เส้นโค้ง ROC ใช้เพื่อประเมินประสิทธิภาพของการตรวจวินิจฉัย ในการศึกษาโดย Rutter และคณะ พวกเขาใช้เส้นโค้ง ROC เพื่อประเมินความแม่นยำของการตรวจวินิจฉัยมะเร็งลำไส้ใหญ่แบบต่างๆ
2. การประเมินความเสี่ยงด้านเครดิต:เส้น ROC ใช้เพื่อประเมินความน่าเชื่อถือทางเครดิตของบุคคล ในการศึกษาโดย Liao และคณะ พวกเขาใช้เส้นโค้ง ROC เพื่อประเมินประสิทธิภาพของแบบจำลองการประเมินความเสี่ยงด้านเครดิต
3. การกรองสแปม:เส้นโค้ง ROC ใช้เพื่อประเมินประสิทธิภาพของตัวกรองสแปม ในการศึกษาโดย Almeida และคณะ พวกเขาใช้เส้นโค้ง ROC เพื่อเปรียบเทียบประสิทธิภาพของตัวกรองสแปมต่างๆ

การตรวจจับการฉ้อโกงในด้านการตลาดเป็นสิ่งสำคัญในการป้องกันการสูญเสียทางการเงินและปกป้องลูกค้า สามารถใช้เส้นโค้ง ROC เพื่อประเมินประสิทธิภาพของโมเดลการตรวจจับการฉ้อโกง ลองมาดูกรณีศึกษาในโลกแห่งความเป็นจริงที่ ROC Curve ถูกนำมาใช้ในการตรวจจับการฉ้อโกงในด้านการตลาด:

4.1. การตรวจจับการฉ้อโกงบัตรเครดิต :

ในการศึกษาโดย Zhang และคณะ พวกเขาใช้เส้นโค้ง ROC เพื่อประเมินประสิทธิภาพของโมเดลการตรวจจับการฉ้อโกงบัตรเครดิต โมเดลได้รับ AUC (พื้นที่ใต้เส้นโค้ง) สูงถึง 0.99 ซึ่งบ่งชี้ถึงประสิทธิภาพในการตรวจจับธุรกรรมที่เป็นการฉ้อโกง

4.2. การตรวจจับการฉ้อโกงโฆษณาดิจิทัล

ในการศึกษาโดย Du et al. พวกเขาใช้เส้นโค้ง ROC เพื่อประเมินประสิทธิภาพของรูปแบบการตรวจจับการฉ้อโกงสำหรับการโฆษณาดิจิทัล โมเดลนี้ได้รับ AUC ที่ 0.97 ซึ่งบ่งชี้ว่ามีความแม่นยำสูงในการตรวจจับการคลิกหลอกลวง

4.3. การตรวจจับการฉ้อโกงการตลาดพันธมิตร

ในการศึกษาโดย Liu et al. พวกเขาใช้เส้นโค้ง ROC เพื่อประเมินประสิทธิภาพของรูปแบบการตรวจจับการฉ้อโกงสำหรับการตลาดแบบพันธมิตร โมเดลได้รับ AUC ที่ 0.94 ซึ่งบ่งชี้ถึงประสิทธิภาพในการตรวจจับธุรกรรมในเครือที่ฉ้อโกง

ในการศึกษาทั้งหมดนี้ เส้น ROC มีบทบาทสำคัญในการประเมินประสิทธิภาพของโมเดลการตรวจจับการฉ้อโกง คะแนน AUC เป็นเมตริกสำคัญที่บ่งชี้ถึงประสิทธิภาพของโมเดลในการตรวจจับกิจกรรมที่เป็นการฉ้อโกง ยิ่งคะแนน AUC สูงเท่าใด ประสิทธิภาพของโมเดลก็จะยิ่งดีขึ้นเท่านั้น

5. โครงการภาคปฏิบัติ

• การตรวจจับการฉ้อโกงบัตรเครดิต: โครงการภาคปฏิบัติ — ที่นี่
• ยังมีต่อ…

เส้นโค้ง ROC เป็นเครื่องมืออันทรงพลังที่ใช้กันอย่างแพร่หลายในการประเมินประสิทธิภาพของแบบจำลองการจำแนกประเภทไบนารี เป็นเครื่องมือที่มีประโยชน์สำหรับการตรวจจับการฉ้อโกงในด้านการตลาด เนื่องจากช่วยในการประเมินประสิทธิภาพของโมเดลการตรวจจับการฉ้อโกง คะแนน AUC ที่สูงขึ้นบ่งชี้ถึงประสิทธิภาพที่ดีขึ้นของโมเดลในการตรวจจับกิจกรรมที่เป็นการฉ้อโกง ด้วยการใช้เส้นโค้ง ROC ธุรกิจต่างๆ สามารถพัฒนาระบบตรวจจับการฉ้อโกงที่มีประสิทธิภาพ ซึ่งสามารถปกป้องลูกค้าและป้องกันการสูญเสียทางการเงินได้

อ้างอิง

1. Rutter, CM, Gatsonis, CA และ Auerbach, AD (2004) การวิเคราะห์ลักษณะการทำงานของเครื่องรับสำหรับการประเมินการทดสอบวินิจฉัยและแบบจำลองการทำนาย การไหลเวียน 114(5), 499–506
2. Liao, J., Lei, J. และ Wu, D. (2018). การประยุกต์ใช้ ROC curve ในการประเมินความเสี่ยงด้านสินเชื่อ วารสารระบบอัจฉริยะ & Fuzzy, 35(3), 3461–3468.
3. Almeida, TA, Hidalgo, JMG และ Yamakami, A. (2010) ผลงานในการศึกษาการกรองสแปม SMS: คอลเลกชันใหม่และผลลัพธ์ ธุรกรรม ACM เกี่ยวกับข้อมูลและความปลอดภัยของระบบ (TISSEC), 13(4), 1–31.
4. Zhang, X., Tian, ​​Y. และ Xie, J. (2016) การตรวจจับการฉ้อโกงบัตรเครดิตตามเครือข่ายประสาทเทียม พิมพ์ล่วงหน้า arXiv arXiv:1604.04522
5. Du, X., Guan, Y., Xu, J., & Fu, X. (2019). รูปแบบการตรวจจับการคลิกหลอกลวงที่ได้รับการปรับปรุงสำหรับการโฆษณาออนไลน์โดยใช้เครือข่ายความเชื่อลึก ระบบคอมพิวเตอร์แห่งอนาคต 91, 484–491
6. Liu, H., Yang, L. และ Chen, Y. (2018) อัลกอริทึมการตรวจจับการฉ้อโกงแบบใหม่ที่ใช้เครือข่าย Bayesian และอัลกอริธึมทางพันธุกรรมในการตลาดแบบพันธมิตร Journal of Intelligent & Fuzzy Systems, 34(2), 1279–1290.

ตบมือให้บทความ 50 ครั้ง

กดติดตามผม

อ่านบทความเพิ่มเติมเกี่ยวกับสื่อ

เชื่อมต่อกับโซเชียลมีเดียGithub | ลิงค์ดิน | กะล่อน

#ROCcurve #การตรวจจับการทุจริต #การตลาด #การวิเคราะห์ข้อมูล #การเรียนรู้ของเครื่อง