笔记︱支持向量机SVM在金融风险欺诈中应用简述

本笔记源于CDA-DSC课程，由常国珍老师主讲。该训练营第一期为风控主题，培训内容十分紧凑，非常好，推荐：CDA数据科学家训练营

欺诈一般不用什么深入的模型进行拟合，比较看重分析员对业务的了解，从异常值就可以观测出欺诈行为轨迹。同时欺诈较多看重分类模型的召回与准确率两个指标。较多使用SVM来进行建模。

召回率，准确率，排序很准的模型排行：

1、SVM

2、随机森林、决策树

其中SVM可以像逻辑回归做概率，但是这个概率是点到超平面之间的距离与最长距离之比。概率原理不是特别直接有效，而且解释力度不强。

——笔记︱金融风险之欺诈分类以及银行防控体系简述

一、SVM线性可分与不可分

1、线性可分与不可分

线性可分指的就是直线（如左图），用了一条直线来进行划分，实心圆与空心圆，用直线来分类；不可分就是曲线分类，准确性比较高。大部分情况都是线性不可分

2、不可分情况

不可分的情况有两种处理方式：

（1）容错的话，直接用线性，设置容错个数，错了就错了

（2）不容错，做惩罚函数，做多项式转化，变为线性的问题

如果惩罚过多，会造成过拟合的问题，泛化能力不足

二、核函数

SVM的核函数与神经网络的激活函数一致，不同的场景会用到不同的核函数。

其中RBF函数（高斯核函数），较多应用在异常值处理。