《表1 网络支付交易记录可利用原始字段示例》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种面向网络支付反欺诈的自动化特征工程方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文方法在两个不同数据集以及不同参数设定下，均可在数小时的时间内构造出模型训练所需的新特征．如表10和表11所示，对于第三方移动在线网络支付数据集，特征构造在约73万的样本数和285个原始特征的条件下进行，在不同参数下的平均特征构造时间为4.5h；对于银行B2C在线网络支付数据集，特征构造在约243万的样本数和6个原始特征的条件下进行，在不同参数下的平均特征构造时间为1.2h．相对于人工构造特征的数天甚至更长时间来说效率得到大幅提高．在同样是显性的自底而上的自动化特征工程方法中，LFE、RL方法都需要预训练的步骤，其需要大量的数据集准备工作，工作周期远大于本文方法．图14和图15显示了本工作方法与自底而上的普通特征构造树方法、自顶而下的Cognito方法和随机特征构造方法在特征构造时间上的对比，相对于自顶而下的Cognito方法，本文方法与普通特征构造树和随机特征构造方法耗时更少，而在后三者中本文方法构造的特征质量更高，模型性能更优．