《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》

  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

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．