- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据学习笔记
信用卡反欺诈
最后一列Class，0为正常，1为欺诈 2、程序解读 2.1 读取文件 #! lambda x: 1 if x > 1.5 else 0) data['V21_'] = data.V21.map(lambda x: 1 if x > 0.6 else 0) print('每个单一属性的欺诈记录与整车记录的差异统计 ：') print(data.describe()) print(data.sum()) 每个单一属性的欺诈记录与整车记录的差异统计： Time V1 print('欺诈记录的占比：') print(data.Normal.value_counts()) print() print(data.Fraud.value_counts()) pd.set_option ("display.max_columns",101) print(data.head()) 欺诈记录的占比： 1.0 284315 0.0 492 Name: Normal, dtype
2K30发布于 2019-07-02 - 来自专栏算法进阶
营销业务反欺诈全流程
按照欺诈的人数来分可分为：个体欺诈和团伙欺诈； 按照欺诈的主体来可分为第一、第二、第三方欺诈； 按照欺诈的行为可分为：金融信贷欺诈、互联网业务欺诈和信用卡欺诈三大类。 在此背景下，为避免营销资源浪费，在加强活动规则设计的同时，亟需运用技术手段搭建营销反欺诈系统，以保护良好营销环境，提升营销效果。 3 方案设计 模型层面主要应用的技术有：有监督分类模型、知识图谱无监督模型、业务策略。由于欺诈形式大都是未知、复杂多样的，本方案通过数据分析及无监督检测的方式对有监督模型做补充。 现实中，羊毛党会结合第三、四类薅羊毛方式，并存在与平台、商家瓜分利益，发展趋势更具规模化、产业化，这个是营销反欺诈的主要目标。 主要运用知识图谱社区发现，结合异常检测发现高可疑的团伙，方法如下：1、图谱构建：构建活动的知识图谱； 2、社区发现：先运行联通子图算法，在非孤立的子图内通过louvain社区发现算法挖掘团伙； 3、
1.9K61编辑于 2022-06-01 - 来自专栏API 分享
欺诈无所遁形：反欺诈（羊毛盾）API 应用解析
为了解决这一问题，反欺诈技术应运而生。本文主要介绍反欺诈（羊毛盾）API 的工作原理、作用、应对的风险、应用场景以及使用教程，识别和阻止欺诈行为，保护用户的权益和提升平台的安全性。 反欺诈（羊毛盾）API 的应用原理图片反欺诈（羊毛盾）API 的作用图片反欺诈（羊毛盾）API 可以应对什么风险反欺诈（羊毛盾）API 可以对多种欺诈行为进行识别和预防，从而帮助企业降低欺诈风险和经济损失 反欺诈（羊毛盾）API 的使用教程1.申请免费试用 API注册登录 【APISpace】之后，在 反欺诈（羊毛盾）API 详情页可以看到【免费试用】的按钮，点击即可获得相应的免费次数。 2.一键测试 API点击 测试 按钮，在 APISpace 的测试页面上会默认填充API 密钥，输入相应参数，点击 发送 按钮即可图片3.代码接入 API测试好之后，直接复制下面的 Java 示例代码放在自己的程序中即可 （羊毛盾）反机器欺诈 API 作为一种强大的技术工具，在网络安全领域得到了广泛的应用，帮助用户识别和阻止潜在的欺诈行为，提供了一个安全可靠的网络环境。
56800编辑于 2023-07-03 支付反欺诈技术解析与应用
支付反欺诈技术作为保障交易安全的重要手段，对于维护消费者权益和企业信誉至关重要。本文将深入解析支付反欺诈技术的原理、关键技术及其在云产品中的应用。 支付反欺诈技术概述 支付反欺诈技术是指通过一系列算法和规则，识别和防范支付过程中的欺诈行为，保护交易双方的合法权益。这些技术包括但不限于： 行为分析：分析用户行为模式，识别异常交易。 机器学习 机器学习技术在支付反欺诈中的应用主要体现在对历史欺诈案例的学习。通过训练算法识别欺诈特征，系统能够自动更新规则，提高识别准确率。这种方法尤其适用于新出现的欺诈手段，能够快速适应并防范。 3. 规则引擎 规则引擎是支付反欺诈系统中的核心组件，它包含了一系列的规则和条件。当交易触发这些条件时，系统会自动执行预设的操作，如阻止交易、发送警报等。 例如： 云服务集成：将支付反欺诈技术集成到云服务平台中，为客户提供即插即用的反欺诈服务。 大数据分析：利用云计算的强大计算能力，对海量数据进行实时分析，快速识别欺诈行为。
37410编辑于 2025-07-29- 来自专栏数据分析与挖掘
反欺诈模型（数据不平衡）
test = pd.read_csv('imb_test.csv') print(f'训练集数据长度：{len(train)}，测试集数据长度：{len(test)}') train.sample(3) 训练集数据长度：14000，测试集数据长度：6000 X1 X2 X3 X4 X5 cls 6787 0.450326 -0.831631 0.875786 -0.892056 -1.051274 = test['cls'] X_train = train.loc[:, :'X5']; X_test = test.loc[:, :'X5'] X_train.sample() X1 X2 X3 （3）决策树建模 看似高大上的梯度优化其实也被业内称为硬调优，即每个模型参数都给几个潜在值，而后让模型将其自由组合，根据模型精度结果记录并输出最佳组合，以用于测试集的验证。首先导入相关包。 而且recall是以阈值为 0.5 来计算的，那我们就可以简单的认为预测的欺诈概率大于0.5就算欺诈了吗？还是说如果他的潜在欺诈概率只要超过 20% 就已经算为欺诈了呢？
1.9K41发布于 2020-08-26 - 来自专栏API百科
全面解析反欺诈（羊毛盾）API，助你识别各类欺诈风险
前言反欺诈（羊毛盾）反机器欺诈 API，是一种基于大数据分析和模型产品的技术，通过输入手机号、手机 IP 地址进行检测，帮助客户识别大量存在恶意的账号。 反欺诈（羊毛盾）API 的作用图片反欺诈（羊毛盾）API 可以应对什么风险反欺诈（羊毛盾）API 可以对多种欺诈行为进行识别和预防，从而帮助企业降低欺诈风险和经济损失，包括但不仅限于以下六种风险：图片反欺诈 反欺诈（羊毛盾）API 的应用原理图片反欺诈（羊毛盾）API 的使用教程APISpace 是 国内一个较大的 API 供应平台，提供多种类型的 API 接口，包括手机号码归属地查询 API 、天气预报查询 API、手机在网状态 API 、反欺诈（羊毛盾）API 以及当前比较热门的 AI 绘画 API 等等，感兴趣的小伙伴可以去官网体验一下。 图片2.一键测试 API点击 测试 按钮，在 APISpace 的测试页面上会默认填充API 密钥，输入相应参数，点击 发送 按钮即可图片3.代码接入 API测试好之后，直接复制下面的 Java 示例代码放在自己的程序中即可
2K20编辑于 2023-04-14 Forrester 最新反欺诈领域报告：腾讯云荣获亚太地区反欺诈领域领导者
本报告旨在评估9家顶级企业反欺诈管理（EFM）供应商，帮助企业选择具备高级AI能力（如生成式AI）和产品化规则引擎的合作伙伴，以自动化风控流程并有效应对新型威胁。 智能平台，赋能精准风控痛点：面对加密货币欺诈、深度伪造等新兴威胁，传统风控手段滞后，且模型构建与调优过程复杂低效。 VendorProfilesTencentVisaNICEActimize[OtherVendors…]SupplementalMaterialTheForresterWaveMethodology研究方法论研究方法：采用了包含3个类别的综合评分体系 评估过程包括详细问卷调查、产品演示、简报会以及每家供应商最多3次的客户深度访谈。数据来源：基于Forrester的初级研究，包含供应商在2025年9月2日之前提交的材料，以及独立的客户访谈数据。 调研覆盖：覆盖亚太地区9家最重要的企业反欺诈管理（EFM）供应商，入选标准要求在亚太区年收入至少2500万美元，并拥有至少30家大型企业客户（1000人以上规模）。
49610编辑于 2025-12-08- 来自专栏绿盟科技研究通讯
基于机器学习的反欺诈研究
图4：RIPPER算法在基于规则的恶意SMS检测中有较好表现，引用自[3] 2.2.2 语音通话检测 通过语音通话方式实施欺诈是常见的欺诈手段。 三、 基于机器学习的反欺诈攻防案例 机器学习技术虽然在反欺诈解决方案中发挥着重要作用，但另一方面，机器学习技术也可以被不法分子用来进行欺诈。 构建跨行业的反欺诈技术生态，促进行业合作，整合优势资源，对于反欺诈技术的发展将能起到显著的推动作用。 最后，机器学习不光能在反欺诈中起到重要作用，也有可能成为不法分子进行欺诈的工具，并有能力对现有防御方案造成巨大威胁。因此，反欺诈研究工作不光需要关注机器学习解决方案，也应该关注基于机器学习的欺诈手段。 从攻防的角度出发，是反欺诈研究的重要课题。
3.4K30编辑于 2022-03-11 Forrester 最新反欺诈领域报告：腾讯云荣获亚太地区反欺诈领域领导者
本报告旨在评估9家顶级企业反欺诈管理（EFM）供应商，帮助企业选择具备高级AI能力（如生成式AI）和产品化规则引擎的合作伙伴，以自动化风控流程并有效应对新型威胁 。核心发现/观点1. 该方案整合了信用风险、身份验证及行为生物识别等多维能力，针对深度伪造和加密货币等新兴欺诈类型提供强大的产品化规则与模型 。3. ProfilesTencentVisaNICE Actimize[Other Vendors...]Supplemental MaterialThe Forrester Wave Methodology研究方法论研究方法：采用了包含3个类别的综合评分体系 评估过程包括详细问卷调查、产品演示、简报会以及每家供应商最多3次的客户深度访谈 。数据来源：基于Forrester的初级研究，包含供应商在2025年9月2日之前提交的材料，以及独立的客户访谈数据 。 调研覆盖：覆盖亚太地区9家最重要的企业反欺诈管理（EFM）供应商，入选标准要求在亚太区年收入至少2500万美元，并拥有至少30家大型企业客户（1000人以上规模） 。
1.1K10编辑于 2025-11-28- 来自专栏企鹅号快讯
先知：人工智能助力Fintech反欺诈
本文内容节选自第六届全球软件案例研究峰会宜人贷数据科学家王婷分享的《先知：人工智能助力Fintech反欺诈》实录，本文主要分享互联网金融反欺诈，通过人工智能与人工调查的结合，实现智能反欺诈的效率和准确性提升 先知是基于宜人贷的反欺诈云平台，面向Fintech全行业的一种反欺诈解决方案，帮助Fintech企业解决在信贷申请欺诈、金融中介识别、团伙监控/预警上面临的一系列问题。 、数据能力以及反欺诈能力对外做平台化的输出。 这个工具包括欺诈用户预警、中介发现、团伙监控预警，帮助调查人员更高效地掌握欺诈用户的情况。 3 先知核心能力 当有大量用户申请的时候，我们通过模型的手段和图谱挖掘的手段给调查人员做提醒和实时提报。 基于行为数据的反欺诈模型在我们的反欺诈体系中也是很重要的一环。
2.3K110发布于 2018-01-09 - 来自专栏Spark学习技巧
金融反欺诈场景下的Spark实践
推荐阅读： 1，Spark Structured Streaming高级特性 2，Spark高级操作之json复杂和嵌套数据结构的操作一 3，spark调优系列之高层通用调优
2K100发布于 2018-01-31 - 来自专栏数据猿
智能时代如何构建金融反欺诈体系？
【数据猿导读】 3月24日，由DataFun、数据猿主办，KTech孵化联合主办的《算法架构系列活动——智能时代：风控及反欺诈体系搭建》在上海举办。 3月24日，由DataFun、数据猿主办，KTech孵化联合主办的《算法架构系列活动——智能时代：风控及反欺诈体系搭建》在上海举办。 他认为要在新形势下建立有效的互联网金融反欺诈体系，关键是大数据+AI。 具体来讲，交叉认证、规制引擎、外部引擎、模型策略是构建反欺诈决策体系的四种方法，常用的反欺诈方法有逻辑回归、随机森林、神经元网络、统计分布异常检测、文本挖掘及模糊匹配、复杂网络分析等。 金融反欺诈任重道远，苏建成认为在未来金融大数据风控会呈现出三大趋势：1、欺诈套路层出不穷，反欺诈与其的对抗将长久存在；2、随着国家对个人信息保护力度的加强，大数据反欺诈公司的数据来源会受到一定的影响；3
2.4K90发布于 2018-04-19 - 来自专栏陈黎栋的专栏啦
图数据库·业务总结·反欺诈
比如银行和公安经侦监控资金账户，当有一段时间内有大量资金流动并集中到某个账户的时候很可能是非法集资，系统触发预警（图7） 一般欺诈 ? 欺诈判断1：多个用户使用相同的地址、银行卡、身份证、电话等其他信息 电子商务的欺诈 ? 欺诈判断2：一个ip或Cookies 服务于多个信用卡或用户。 欺诈判断3：信息不一致。
1.6K30发布于 2020-02-18 腾讯云天御：亚太反欺诈「领导者」
反欺诈这事儿，我们在「亚太」继续领先——在最新发布的《The Forrester Wave™: Enterprise Fraud Management Solutions In Asia Pacific , Q4 2025》报告中，腾讯云被评为亚太地区企业欺诈管理市场「领导者」。 ● 精准打击电信诈骗面对无孔不入的诈骗电话和钓鱼短信，天御「金融反电诈方案」把信息流反诈模型应用到金融场景，提前一步识别潜在诈骗线索，并与银行的自有资金流风控形成互补，帮助机构实现更低误判、更高命中、更快预警
1.1K10编辑于 2025-11-21支付反欺诈的重要性与策略
本文将探讨支付反欺诈的重要性以及云产品在这一领域的应用策略。 支付反欺诈的重要性 1. 用户资产保护 支付反欺诈技术能够有效识别和阻止非法交易，保护用户的财产安全。 2. 维护金融秩序 通过反欺诈措施，可以减少金融欺诈事件，维护金融市场的稳定和秩序。 3. 提升支付信任度 一个安全的支付环境能够增强用户对支付系统的信任，促进支付业务的增长。 机器学习 利用机器学习算法，云产品可以不断学习和优化反欺诈模型，提高识别准确率。 3. 实时监控 云服务提供的实时监控功能，可以即时发现并响应潜在的欺诈行为。 4. 加强合作 与金融机构、支付平台等建立合作关系，共享欺诈信息，提高反欺诈效率。 2. 用户教育 加强对用户的支付安全教育，提高用户对欺诈行为的识别和防范能力。 3. 技术投入 持续投入研发，利用最新的云技术和人工智能技术，提升反欺诈能力。 4. 法规遵循 严格遵守相关法律法规，确保支付反欺诈活动的合法性和有效性。
23010编辑于 2025-07-29- 来自专栏腾讯云安全的专栏
天御反欺诈服务，让「天下无贼」
企业面临欺诈风险？ 用我们的沉淀，给企业足够的“安全感” 腾讯云发布天御反欺诈服务 随着互联网理财、P2P 金融的快速发展，带有恶意目的的骗贷，骗保、洗钱等恶意行为也形成了新的地下产业，这些黑色产业链给企业品牌带来了严重的经济损失 基于企业的痛点，腾讯云通过大数据分析能力，以及在对抗社交诈骗、电商刷单、保驾互联网银行和支付业务安全上累积的实战经验，发布天御反欺诈服务，解决企业被欺诈的风险，让企业专注于业务的发展。 天御反欺诈服务，基于腾讯管家平台和社交生态所积累的海量恶意数据，以及通过行为识别，画像计算等能力，精准识别出恶意用户，并通过服务的方式通知企业客户进行跟踪标记和拦截等处理方式。 ? 一网打尽以上威胁与风险，为你们做到「天下无贼」 如何获取腾讯云天御反欺诈服务 客户可通过腾讯云工单系统提交工单咨询该服务或者拨打95716咨询
5.3K70发布于 2018-06-12 - 来自专栏数据猿
【独家编译】美国反欺诈服务商Precognitive获百万美元种子轮融资 反欺诈是新的风口？
数据猿导读 今年年内，国内外数家反欺诈服务提供商获得了数百万至数千万美元融资，反欺诈已经成为大数据领域一个新的热门话题。 Precognitive通过分析用户与在线服务之间的交互行为数据，向客户提供反欺诈预警。 其创始人Sam Bouso表示，目前Precognitive拥有三种不同的反欺诈技术以适应不同和客户与场景。 他说：“反欺诈服务有大量数据可供挖掘，大多数解决方案都专注于在交易中进行反欺诈，但我们实际上能够通过多次访问监控设备和用户活动，从而在欺诈发生之前为客户提供预警。” 无论是传统金融机构，还是新兴互联网金融机构，都要面临如何更高效的筛选客户和预防欺诈行为的挑战。这种需求也催生了巨大的金融反欺诈服务市场。 今年年内，美国Signifyd、Rippleshot，国内邦盛科技、同牛科技、数美科技、冰鉴科技等数家反欺诈服务提供商获得了数百万至数千万美元融资，反欺诈已经成为大数据领域一个新的热门话题。
1.1K70发布于 2018-04-24 - 来自专栏python3
机器学习——信用卡反欺诈案例
导入类库 1 import numpy as np 2 import pandas as pd 3 from pandas import Series, DataFrame 4 import matplotlib.pyplot /creditcard.csv') 2 3 print('原始行列 >>>>', credit.shape) # (284807行, 31列) 4 # print(credit.head()) # = credit2.drop(labels=drops, axis=1) 30 print('通过GBDT分析剔除无用列后 >>>>', credit3.shape) 31 # print('credit3 .columns >>>>', credit3.columns) 模型训练 处理样本不平衡问题 目标变量“Class”正常和被盗刷两种类别的数量差别较大，会对模型学习造成困扰。 1 # SMOTE 过采样 2 X = credit3.iloc[:, :-1] 3 y = credit3.Class 4 X_train, X_test, y_train, y_test =
1.6K20发布于 2020-01-19 - 来自专栏API 分享
IP应用场景API的反欺诈潜力：保护在线市场不受欺诈行为侵害
前言在数字化时代，网络上的商业活动迅速增长，但与之同时，欺诈行为也在不断演化。欺诈者不断寻找新方法来窃取个人信息、进行金融欺诈以及实施其他不法行为。 IP应用场景API：背景和工作原理IP应用场景API是一种在线调用接口，具备识别IP真人度，提升风控和反欺诈等业务能力。 IP应用场景API反欺诈潜力IP应用场景API具备多重反欺诈潜力，有助于保护在线市场不受欺诈行为侵害：IP真人度识别： 通过分析IP地址的应用场景，API可以帮助识别是否有人工干预。 欺诈情报： IP应用场景API可以提供有关已知恶意IP地址的信息，帮助组织及时采取措施来拦截这些地址，从而降低欺诈风险。 2.申请成功，进入测试页面，输入需要查询的IP地址，可以测试接口~场景定义：3.测试通过，即可接入到自己的程序代码当中，接入代码示例如下：OkHttpClient client = new OkHttpClient
61820编辑于 2023-10-27 - 来自专栏算法进阶
电商反欺诈比赛的方案及代码分享！
https://github.com/rickyxume/TianChi_RecSys_AntiSpam 实践背景 1.1 思路简述 本赛题属于结构化数据二分类任务，虽然是风控竞赛，但思考方向不局限于欺诈检测或异常检测 （其实残差部分优化空间很大，由于时间问题还没有仔细实验） 展示一下MLP改进前后线上的得分情况，F1基本上有3个百分点的提升，总分提高了6.77%。 线下非 Occlum 环境下，当 Kafka 发送数据的时间间隔为4ms时，预热后可以保证平均延迟仅3ms，而当发送时间间隔降到原来的20倍时，仍然可以全部通过。 改进方向 竞赛后续： 尝试用GNN之类的半监督图算法 图建模实现反欺诈图算法（如 FRAUDAR[13]、RICD[14] 等），离线扩充数据再做有监督学习 BTW，RICD[14]就是本次赛题出处的论文 ，其实自己那时候还是一个刚接触竞赛没多久的风控小白（其实想着考研来着呜呜呜我这个菜鸡），一切只因 Datawhale 开源分享的 baseline 进的坑，后面抱着学习的心态边秋招边打比赛，最终拿到了反欺诈方向的
2.5K31编辑于 2022-06-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号