欺诈检测分类ML的经纬度转换

Question

我试图建立一个ML分类模型，以检测欺诈帐户注册。我手头的数据有:姓名、电子邮件地址、坐标(注册时IP地址的经度和纬度)和标签(欺诈与非欺诈)。以下是我的数据集的简短摘要：

>>> dataset.summary
Index(['name', 'email','latitude','longitude','label'],dtype='object')
>>> dataset.shape
(93207, 4)

到目前为止，在训练我的模型时，我很难理解如何处理坐标变量。StackExchange上的一些用户建议使用正弦和余弦函数的组合将纬度和经度转换为X、Y和Z坐标。(即https://datascience.stackexchange.com/questions/13567/ways-to-deal-with-longitude-latitude-feature)但是我不知道在我的分类用例中这是否真的是必要的？我已经考虑过将纬度和经度合并为每个记录的一个变量。然而，有些地区的经度值为负值。此外，有些欺诈者可能位于高纬度和经度区域，而另一些欺诈者可能位于低纬度和经度区域。所以，也许把纬度和经度组合成一个变量无助于训练模型？

我也可以把纬度和经度转换成城市名称。但如果我这样做了，一个城市会有类似的拼写与另一个非常遥远的城市，这可能也无助于训练模式。有什么建议吗？

Answer 1

有多种方法来处理这个问题。您共享的链接谈到了这样一个事实，即单独处理lat-长，并对它们执行功能缩放。这种方法是很好的，因为假设在球面坐标系中，它们之间的距离更近，在现实生活中它们实际上更接近。

但你的问题不一样。我想你需要知道如何处理你的模型。您可以通过以下方式进行操作。

1.选择正确的模式

并不是所有的机器学习技术都要求您对这些特性进行缩放或规范化。尺度归一化通常是为了使模型相信所有特征都是相等的。这是必需的，因为有些机器学习模型是基于距离度量的，比如KNN、Logistic回归。因此，如果您不执行功能的缩放，它可能会破坏学习。如果您正在使用一些基于树的模型，如DTs或随机森林模型或XGBoost或GBM，我认为您可以使用这些特性，即使不进行缩放。因此，您可以直接在您的功能集中使用lat-long。

2.执行聚类以创建虚拟变量

在这类情况下，您可以使用一些集群技术(如KMeans )来执行lat long的集群，在您的数据集中创建一个名为cluster的特性，并给出其值(集群号或距离)与集群中心之间的距离，然后删除lat长列。您还可以为每个集群创建一个单独的特性，并获取每个集群中心的距离，并将该距离存储到这些变量中。

3.逆向地理编码

正如您已经提到的，您还可以执行反向地理编码以获得城市和国家名称。但在你的情况下，这种方法可能不是一个强有力的预测欺诈。但仅供参考，

from pygeocoder import Geocoder
location = Geocoder.reverse_geocode(12.9716,77.5946)
print("City:",location.city)
print("Country:",location.country)

4.我的建议

如果特征空间本质上是线性的，则执行一些分层聚类而不是KMeans，因为KMeans沿着最大方差工作，但是如果它是非线性的，那么最好使用像PAM、CLARA和DBSCAN这样的分层聚类。