kaggle实战:极度不均衡样本下的信用卡数据分析
Posted 尤尔小屋的猫
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了kaggle实战:极度不均衡样本下的信用卡数据分析相关的知识,希望对你有一定的参考价值。
公众号:尤而小屋
作者:Peter
编辑:Peter
大家好,我是Peter~
今天给大家带来一篇新的kaggle文章:极度不均衡的信用卡数据分析,主要内容包含:
- 理解数据:通过直方图、箱型图等辅助理解数据分布
- 预处理:归一化和分布情况;数据分割
- 随机采样:上采样和下采样,主要是欠采样(下采样)
- 异常检测:如何从数据中找到异常点,并且进行删除
- 数据建模:利用逻辑回归和神经网络进行建模分析
- 模型评价:分类模型的多种评价指标
原notebook地址为:https://www.kaggle.com/code/janiobachmann/credit-fraud-dealing-with-imbalanced-datasets/notebook
所谓的【非均衡】:信用卡数据中欺诈和非欺诈的比例是不均衡的,肯定是非欺诈的比例占据绝大多数。本文提供一种方法:如何处理这种极度不均衡的数据
导入库
导入各种库和包:绘图、特征工程、降维、分类模型、评价指标相关等
基本信息
读取数据,查看基本信息
数据的形状如下:
In [3]:
df.shape
Out[3]:
(284807, 31)
In [4]:
# 缺失值的最大值
df.isnull().sum().max()
Out[4]:
0
结果表明是没有缺失值的。
下面是查看数据中字段的相关类型,我们发现有30个float64类型,1个int64类型
In [5]:
pd.value_counts(df.dtypes)
Out[5]:
float64 30
int64 1
dtype: int64
In [6]:
columns = df.columns
columns
Out[6]:
Index(['Time', 'V1', 'V2', 'V3', 'V4', 'V5', 'V6', 'V7', 'V8', 'V9', 'V10',
'V11', 'V12', 'V13', 'V14', 'V15', 'V16', 'V17', 'V18', 'V19', 'V20',
'V21', 'V22', 'V23', 'V24', 'V25', 'V26', 'V27', 'V28', 'Amount',
'Class'],
dtype='object')
查看数据的统计信息:
df.describe()
正负样本不均衡
In [8]:
df["Class"].value_counts(normalize=True)
Out[8]:
0 0.998273 # 不欺诈
1 0.001727 # 欺诈
Name: Class, dtype: float64
我们发现属于0类的样本远高于属于1的样本,非常地不均衡。这就是本文重点关注的问题。
In [9]:
# 绘图
colors = ["red", "blue"]
sns.countplot("Class", data=df, palette=colors)
plt.title("Class Distributions \\n (0-No Fraud & 1-Fraud)")
plt.show()
通过柱状图也能够明显观察到非欺诈-0 和 欺诈-1的比例是极度不均衡的。
查看特征分布
部分特征的分布,发现存在偏态状况:
直方图分布
In [10]:
fig, ax = plt.subplots(1,2,figsize=(18,6))
amount_val = df["Amount"].values
time_val = df["Time"].values
sns.distplot(amount_val, ax=ax[0], color="r")
ax[0].set_title("Amount", fontsize=14)
ax[0].set_xlim([min(amount_val), max(amount_val)]) # 设置范围
sns.distplot(time_val, ax=ax[1], color="b")
ax[1].set_title("Time", fontsize=14)
ax[1].set_xlim([min(time_val), max(time_val)]) # 设置范围
plt.show()
观察两个字段Amount和Time在不同取值下的分布情况,发现:
- Amount的偏态现象严重,极大多数的数据集中在左侧
- Time中,数据主要集中在两个阶段
特征分布箱型图
查看每个特征取值的箱型图:
数据预处理
数据缩放和分布
针对Amount和Time字段的归一化操作。原始数据中的其他字段已经进行了归一化的操作。
- StandardScaler:将数据减去均值除以标准差
- RobustScaler:如果数据有离群点,有对数据中心化和数据的缩放鲁棒性更强的参数
In [13]:
from sklearn.preprocessing import StandardScaler, RobustScaler
# ss = StandardScaler()
rs = RobustScaler()
# 好方法
df['scaled_amount'] = rs.fit_transform(df['Amount'].values.reshape(-1,1))
df['scaled_time'] = rs.fit_transform(df['Time'].values.reshape(-1,1))
In [14]:
删除原始字段,使用归一化后的字段和数据
df['Amount'].values.reshape(-1,1) # 个人添加
技巧1:新字段位置
将新生成的字段放在最前面
# 把两个缩放的字段放在最前面
# 1、单独提出来
scaled_amount = df['scaled_amount']
scaled_time = df['scaled_time']
# 2、删除原字段信息
df.drop(['scaled_amount', 'scaled_time'], axis=1, inplace=True)
# 3、插入
df.insert(0, 'scaled_amount', scaled_amount)
df.insert(1, 'scaled_time', scaled_time)
分割数据(基于原DataFrame)
在开始进行随机欠采样之前,我们需要将原始数据进行分割。
尽管我们会对数据进行欠采样和上采样,但是我们希望在测试的时候,仍然是使用原始的数据集(原来的数据顺序)
In [18]:
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedShuffleSplit
查看Class中0-no fraud和1-fraud的比例:
In [19]:
df["Class"].value_counts(normalize=True)
Out[19]:
0 0.998273
1 0.001727
Name: Class, dtype: float64
生成特征数据集X和标签数据y:
In [20]:
X = df.drop("Class", axis=1)
y = df["Class"]
In [21]:
技巧2:生成随机索引
sfk = StratifiedKFold(
n_splits=5, # 生成5份
random_state=None,
shuffle=False)
for train_index, test_index in sfk.split(X,y):
# 随机生成的index
print(train_index)
print("------------")
print(test_index)
# 根据随机生成的索引再生成数据
original_X_train = X.iloc[train_index]
original_X_test = X.iloc[test_index]
original_y_train = y.iloc[train_index]
original_y_test = y.iloc[test_index]
[ 30473 30496 31002 ... 284804 284805 284806]
------------
[ 0 1 2 ... 57017 57018 57019]
[ 0 1 2 ... 284804 284805 284806]
------------
[ 30473 30496 31002 ... 113964 113965 113966]
[ 0 1 2 ... 284804 284805 284806]
------------
[ 81609 82400 83053 ... 170946 170947 170948]
[ 0 1 2 ... 284804 284805 284806]
------------
[150654 150660 150661 ... 227866 227867 227868]
[ 0 1 2 ... 227866 227867 227868]
------------
[212516 212644 213092 ... 284804 284805 284806]
将生成的数据转成numpy数组:
In [22]:
original_Xtrain = original_X_train.values
original_Xtest = original_X_test.values
original_ytrain = original_y_train.values
original_ytest = original_y_test.values
查看训练集 original_ytrain 和 original_ytest 的唯一值以及每个唯一值所占的比例:
In [23]:
技巧3:数据唯一值及比例
# 训练集
# 针对的是numpy数组
train_unique_label, train_counts_label = np.unique(original_ytrain, return_counts=True)
# 测试集
test_unique_label, test_counts_label = np.unique(original_ytest, return_counts=True)
In [24]:
print(train_counts_label / len(original_ytrain))
print(test_counts_label / len(original_ytest))
[0.99827076 0.00172924]
[0.99827952 0.00172048]
欠采样
原理
欠采样也称之为下采样,主要是通过删除原数据中类别较多的数据,从而和类别少的数据达到平衡,以免造成模型的过拟合。
步骤
- 确定数据不平衡度是多少:通过value_counts()来统计,查看每个类别的数量和占比
- 在本例中一旦我们确定了fraud的数量,我们就需要将no-fraud的数量采样和其相同,形成50%:50%
- 实施采样之后,随机打乱采样的子样本
缺点
下采样会造成数据信息的缺失。比如原数据中no-fraud有284315条数据,但是经过欠采样只有492,大量的数据被放弃了。
实施采样
取出欺诈的数据,同时从非欺诈中取出相同长度的数据:
均匀分布
现在我们发现样本是均匀的:
In [28]:
# 显示数量
new_df["Class"].value_counts()
Out[28]:
1 492
0 492
Name: Class, dtype: int64
In [29]:
# 显示比例
new_df["Class"].value_counts(normalize=True)
Out[29]:
1 0.5
0 0.5
Name: Class, dtype: float64
In [30]:
当我们再次查看数据分布的时候发现:已经是均匀分布了
sns.countplot("Class",
data=new_df,
palette=colors)
plt.title("Equally Distributed Classes", fontsize=12)
plt.show()
相关性分析
相关性分析主要是通过相关系数矩阵来实现的。下面绘制基于原始数据和欠采样数据的相关系数矩阵图:
系数矩阵热力图
In [31]:
f, (ax1, ax2) = plt.subplots(2,1,figsize=(24, 20))
# 原始数据df
corr = df.corr()
sns.heatmap(corr, cmap="coolwarm_r",annot_kws="size":20, ax=ax1)
ax1.set_title("Imbalanced Correlation Matrix", fontsize=14)
# 欠采样数据new_df
new_corr = new_df.corr()
sns.heatmap(new_corr, cmap="coolwarm_r",annot_kws="size":20, ax=ax2)
ax2.set_title("SubSample Correlation Matrix", fontsize=14)
plt.show()
小结:
- 正相关:特征V2、V4、V11、V19是正相关的。值越大,结果越可能出现fraud
- 负相关:特征V17, V14, V12 和 V10 是负相关的;值越小,结果越可能出现fraud
箱型图
In [32]:
负相关的特征箱型图
# 负相关的数据
# 生成4个子图
f, axes = plt.subplots(ncols=4, figsize=(20,4))
sns.boxplot(x="Class", # 分类的类别 0-1
y="V17", # 选择某个字段进行绘图
data=new_df, # 绘图的数据
palette=colors,
ax=axes[0]) # 选择某个ax来绘图
axes[0].set_title('V17') # 子图标题
sns.boxplot(x="Class",
y="V14",
data=new_df,
palette=colors,
ax=axes[1])
axes[1].set_title('V14')
sns.boxplot(x="Class",
y="V12",
data=new_df,
palette=colors,
ax=axes[2])
axes[2].set_title('V12')
sns.boxplot(x="Class",
y="V10",
data=new_df,
palette=colors,
ax=axes[3])
axes[3].set_title('V10')
plt.show()
正相关特征的箱型图:
# 正相关
f, axes = plt.subplots(ncols=4, figsize=(20,4))
sns.boxplot(x="Class",
y="V2",
data=new_df,
palette=colors,
ax=axes[0])
axes[0].set_title('V2')
sns.boxplot(x="Class",
y="V4",
data=new_df,
palette=colors,
ax=axes[1])
axes[1].set_title('V4')
sns.boxplot(x="Class",
y="V11",
data=new_df,
palette=colors,
ax=axes[2])
axes[2].set_title('V11')
sns.boxplot(x="Class",
y="V19",
data=new_df,
palette=colors,
ax=axes[3])
axes[3].set_title('V19')
plt.show()
异常检测
目的
异常检测的目的主要是:发现数据中的离群点来进行删除。
方法
- IQR:我们通过第75个百分位和第25个百分位之间的差异来计算。我们的目标是创建一个超过第75和 25 个百分位的阈值,以防某些实例超过此阈值,如果超过阈值该实例将被删除。
- 箱型图boxplot:除了很容易看到第 25 和第 75 个百分位数(正方形的两端)之外,还很容易看到极端异常值(超出下限和上限的点)
异常值去除权衡
在通过四分位法删除异常值的时候,我们通过将一个数字(例如1.5)乘以(四分位距)来确定阈值。该阈值越高,检测到的异常值越少,反之检测到的异常值越多。这个比例(例如1.5)我们可以在实际进行控制
特征分布-直方图
In [34]:
技巧4:删除离群点
删除3个特征下的离群点,以V12为例:
In [35]:
第一步先确定上下分位数的值:
# 数组
v12_fraud = new_df["V12"].loc[new_df["Class"] == 1]
# 25%和75%分位数
q1, q3 = v12_fraud.quantile(0.25), v12_fraud.quantile(0.75)
iqr = q3 - q1
In [36]:
# 确定上下限
v12_cut_off = iqr * 1.5
v12_lower = q1 - v12_cut_off
v12_upper = q3 + v12_cut_off
print(v12_lower)
print(v12_upper)
-17.25930926645337
5.597044719256134
In [37]:
找出满足要求的离群点的数据
# 确定离群点
outliers = [x for x in v12_fraud if x < v12_lower or x > v12_upper]
print(outliers)
print("------------")
print("离群点数量:",len(outliers))
[-17.6316063138707, -17.7691434633638, -18.6837146333443,
-18.5536970096458, -18.0475965708216, -18.4311310279993]
------------
离群点数量: 6
对单个列字段的数据执行下面删除离群点的操作:
In [38]:
# 技巧:如何删除异常值
new_df = new_df.drop(new_df[(new_df["V12"] > v12_upper) | (new_df["V12"] < v12_lower)].index)
new_df
对其他的特征执行相同的操作:
可以看到:欠采样之后的数据原本是984,现在变成了978条数据,删除了6个离群点的数据
In [39]:
In [40]:
# 对V10和V14执行同样的操作
# 数组
v10_fraud = new_df["V10"].loc[new_df["Class"] == 1]
q1, q3 = v10_fraud.quantile(0.25), v10_fraud.quantile(0.75)
iqr = q3 - q1
v10_cut_off = iqr * 1.5
v10_lower = q1 - v10_cut_off
v10_upper = q3 + v10_cut_off
outliers = [x for x in v10_fraud if x < v10_lower or x > v10_upper]
new_df = new_df.drop(new_df[(new_df["V10"] > v10_upper) | (new_df["V10"] < v10_lower)].index)
查看删除了异常点后的数据:
In [42]:
f, (ax1, ax2, ax3) = plt.subplots(1,3,figsize=(20,10))
colors = ['#B3F9C5', '#f9c5b3']
sns.boxplot(x="Class", # 分类字段
y="V14", # y轴的取值
data=new_df, # 数据框
ax=ax1, # 子图
palette=colors)
ax1.set_title("V14", fontsize=14) # 标题
ax1.annotate("Fewer extreme", # 注解
xy=(0.98,-17.5),
xytext=(0,-12),
arrowprops=dict(facecolor="black"),
fontsize=14)
sns.boxplot(x="Class", y="V12", data=new_df, ax=ax2, palette=colors)
ax2.set_title("V12", fontsize=14)
ax2.annotate("Fewer extreme",
xy=(0.98,-17),
xytext=(0,-12),
arrowprops=dict(facecolor="black"),
fontsize=14)
sns.boxplot(x="Class", y="V10", data=new_df, ax=ax3, palette=colors)
ax3.set_title("V10", fontsize=14)
ax3.annotate("Fewer extreme", # 注释名称
xy=(0.98,-16.5), # 位置
xytext=(0,-12), # 注释文本的坐标点,二维元组,默认xy
arrowprops=dict(facecolor="black"), # 箭头颜色
fontsize=14)
plt.show()
降维和聚类
理解t-SNE
详细地址:https://www.youtube.com/watch?v=NEaUSP4YerM
欠采样数据降维
对3种不同方法实施欠采样:
In [43]:
X = new_df.drop("Class", axis=1)
y = new_df["Class"]
# t-SNE降维
t0 = time.time()
X_reduced_tsne = TSNE(n_components=2,
random_state=42).fit_transform(X基于孤立森林的信用卡欺诈 Python 实战案例,最佳参数选择可视化等