《表8 第三方移动支付数据集上不同模型和特征构造方法下的各评价指标综合对比表》
图10中展示了在此数据集上应用不同方法得到的模型性能.由于ROC曲线不能明显地展示出各方法的性能差距,子图(a)~(e)展示了前述的其它评价指标:FPR在0.1%下的TPR、FPR在0.5%下的TPR、FPR在1%下的TPR、加权TPR和AUC值.表8中给出了在此数据集上应用上述方法所得出的模型性能,表中粗斜体数值代表比其它对比方法优异.可见,本文方法下的两种设置在不同指标上几乎都优于其它方法.这证明了本文基于定制化特征构造树的自动化特征工程方法所自动构造的特征具有重要参考价值,对于模型欺诈检测性能的提升起到一定作用.
图表编号 | XD00197671600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.01 |
作者 | 王成、王昌琪 |
绘制单位 | 同济大学电子与信息工程学院计算机科学与技术系、嵌入式系统与服务计算教育部重点实验室、同济大学上海智能科学与技术研究院、同济大学电子与信息工程学院计算机科学与技术系、嵌入式系统与服务计算教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |