Kartenterminal und Karten mit K-means-Clusteringpunkten zur Betrugserkennung — Patrones Lab

Projekt 08 · Machine Learning

Machine-Learning-Modell · Betrug mit K-means

✅ veröffentlicht

Unüberwachtes K-means-Clustering zur Erkennung von Kreditkartenbetrug.

Python
SPSS
Machine Learning
K-means
Clustering
Betrug

KONTEXT UND ZIEL

Untersuchen, ob eine unüberwachte Methode Transaktionsverhalten trennen kann, das mit Betrugsmustern vereinbar ist.

DATEN UND DIAGNOSE

  • Transaktionsvariablen werden verwendet, um Verhaltensgruppen zu bilden.
  • K-means segmentiert Beobachtungen ohne vorgegebenes Label.
  • Clusterprofile werden ausgewertet, um Segmente mit atypischen Signalen zu identifizieren.

ERGEBNIS UND LERNGEWINN

Das Ergebnis vergleicht eine Implementierung in SPSS Modeler mit einer Python-Version und zeigt den Wert von Clustering als exploratives Werkzeug bei Betrugsanalysen.

VERWANDTE PROJEKTE
MACHINE LEARNING · PROJEKT 10

Betrugsmodell mit DBSCAN

Erfahren, wie ein dichtebasierter Algorithmus natürliche Cluster trennt und Transaktionen erkennt, die sich als Anomalien verhalten.

Projekt ansehen →
DATENANALYSE · PROJEKT 12

Georäumliche Taxi-Analyse in Chicago

Auf der Karte untersuchen, wo sich die Nachfrage konzentriert und wie sich Taxifahrten über Chicago verteilen.

Projekt ansehen →