信用卡欺诈检测：无监督学习的应用
1. 降维算法概述
降维算法旨在通过学习数据的底层结构，在少量维度中捕捉数据集中最显著的信息，且无需使用任何标签。常见的降维算法包括线性方法（如主成分分析 PCA 和随机投影）、非线性方法（如 Isomap、多维缩放、局部线性嵌入 LLE 和 t - SNE）以及非距离方法（如字典学习和独立成分分析 ICA）。以 MNIST 数字数据集为例，应用这些算法仅通过前两个维度，就能基于图像所代表的数字对图像进行有意义的分离，凸显了降维的强大能力。
2. 信用卡欺诈检测问题引入
在现实世界中，欺诈行为常常难以被发现，只有被捕获的欺诈行为才能为数据集提供标签。而且欺诈模式会随时间变化，使用欺诈标签构建的监督学习系统容易过时，无法适应新出现的欺诈模式。因此，无监督学习欺诈检测系统正逐渐流行起来。接下来，我们将使用之前介绍的一些降维算法来构建一个信用卡欺诈检测系统，且不使用标签。
3. 数据准备
首先，我们需要加载信用卡交易数据集，生成特征矩阵和标签数组，并将数据拆分为训练集和测试集。虽然在进行异常检测时不使用标签，但会利用这些标签来评估我们构建的欺诈检测系统。
import os import pandas as pd from sklearn.preprocessing import StandardScaler as pp from sklearn.model_selection import train_test_split # Load datasets current_path = os.getcwd() file =
