摘要：監(jiān)督大多數(shù)情況下，機(jī)器學(xué)習(xí)依賴于被標(biāo)記為真或假的數(shù)據(jù)?；貧w學(xué)習(xí)回歸學(xué)習(xí)是最重要和廣泛使用的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具之一。風(fēng)險(xiǎn)規(guī)避機(jī)器學(xué)習(xí)給企業(yè)提供了防止詐騙者陷入困境并減輕潛在貨幣和監(jiān)管復(fù)雜化的能力。

摘要： 了解機(jī)器學(xué)習(xí)發(fā)展史、機(jī)器學(xué)習(xí)是什么？機(jī)器學(xué)習(xí)有什么？看看本文就夠了。

如今機(jī)器學(xué)習(xí)已經(jīng)成為了這個(gè)時(shí)代的熱門話題。機(jī)器學(xué)習(xí)已經(jīng)存在了幾十年，但直到最近我們才得以利用這項(xiàng)技術(shù)。

接下來(lái)，讓我們一起回顧一下機(jī)器學(xué)習(xí)的發(fā)展歷史：

機(jī)器學(xué)習(xí)（ML）的處理系統(tǒng)和算法主要通過(guò)在數(shù)據(jù)和通過(guò)找出數(shù)據(jù)里隱藏的模式進(jìn)而做出預(yù)測(cè)的識(shí)別模式。這里值得一提的是，機(jī)器學(xué)習(xí)屬于人工智能（AI）領(lǐng)域，而人工智能又與更廣泛的數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)領(lǐng)域相交叉。

機(jī)器學(xué)習(xí)還可以用于下列內(nèi)容：

醫(yī)療保?。鹤R(shí)別高?？蛻?；優(yōu)化診斷準(zhǔn)確性；改進(jìn)健康計(jì)劃成本。

社會(huì)：預(yù)測(cè)廣告活動(dòng)效果；預(yù)測(cè)消費(fèi)者情緒或其反饋。

航空：預(yù)測(cè)火箭發(fā)動(dòng)機(jī)爆炸；預(yù)測(cè)試點(diǎn)能力；預(yù)測(cè)航線。

還有其他一些行業(yè)也希望通過(guò)利用這種技術(shù)來(lái)獲得商業(yè)價(jià)值。事實(shí)上，根據(jù)普華永道2017年全球數(shù)字智商調(diào)查，54%的機(jī)構(gòu)正在大量投資人工智能和機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)任務(wù)分為三類。

1. 監(jiān)督ML：

大多數(shù)情況下，機(jī)器學(xué)習(xí)依賴于被標(biāo)記為真或假的數(shù)據(jù)。

示例：教計(jì)算機(jī)學(xué)會(huì)根據(jù)人類完成的交易標(biāo)簽來(lái)識(shí)別潛在的欺詐性或非欺詐性交易，以確保獲得高質(zhì)量的數(shù)據(jù)。了解到欺詐性交易與非欺詐性交易之間的差異后，ML會(huì)自動(dòng)對(duì)新交易數(shù)據(jù)進(jìn)行分類以獲得潛在的欺詐性活動(dòng)。

2. 未受監(jiān)督的ML：

與監(jiān)督學(xué)習(xí)依賴于標(biāo)簽有所不同，該種類型的算法需要對(duì)象的各個(gè)方面提供大量的數(shù)據(jù)。

示例：在欺詐發(fā)生的情況下，提供欺詐者的各種屬性以及一些交易價(jià)值，根據(jù)交易的固有特征和描述特征，無(wú)監(jiān)督ML可以將交易分為兩個(gè)不同的組。

3. 強(qiáng)化學(xué)習(xí)的ML：

示例：學(xué)習(xí)玩流行的棋盤游戲奧賽羅，ML會(huì)收到關(guān)于玩家是贏還是輸?shù)男畔?。該程序沒(méi)有將數(shù)據(jù)庫(kù)中的所有的動(dòng)作都標(biāo)記為贏了或輸了，但卻能知道整個(gè)游戲的最終結(jié)果。然后，ML可以進(jìn)行多種游戲，每次都重視那些導(dǎo)致獲勝組合的動(dòng)作。

一些流行的方法：

ML中采用了多種學(xué)習(xí)方法，下面將為大家介紹一些最為常見(jiàn)的方法。

決策樹學(xué)習(xí)：

一個(gè)預(yù)測(cè)模型，通過(guò)映射關(guān)于項(xiàng)目的觀察結(jié)果，得出結(jié)論；使用決策節(jié)點(diǎn)的層次結(jié)構(gòu)，當(dāng)逐步回答時(shí)，可以將交易分類為欺詐或非欺詐。

回歸學(xué)習(xí)：

回歸學(xué)習(xí)是最重要和廣泛使用的機(jī)器學(xué)習(xí)和統(tǒng)計(jì)工具之一。它能夠通過(guò)學(xué)習(xí)依賴變量和預(yù)測(cè)變量之間的關(guān)系做出數(shù)據(jù)預(yù)測(cè)。

樸素貝葉斯學(xué)習(xí)：

這是一個(gè)概率圖形模型，表示一組隨機(jī)變量及其條件獨(dú)立性；例如，欺詐者與交易金額，年齡，行為等之間的概率關(guān)系。

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)：

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)由多個(gè)隱藏層組成，模仿人腦的行為。深度學(xué)習(xí)包括多個(gè)一個(gè)接一個(gè)的神經(jīng)網(wǎng)絡(luò)。

由于金融詐騙給企業(yè)帶了很大的信譽(yù)損失和財(cái)務(wù)破壞，引起了全球很多方面的關(guān)注。每年都有數(shù)百萬(wàn)的家庭遭受金融詐騙，經(jīng)濟(jì)損失達(dá)數(shù)億美元。

曾經(jīng)，有一家金融界被稱為佼佼者的機(jī)構(gòu)同意支付165億美元來(lái)解決金融詐騙案?？紤]到所有這些情況，將數(shù)據(jù)挖掘工具和技術(shù)用于檢測(cè)可能的欺詐活動(dòng)或事件變得很重要。

在研究可幫助我們識(shí)別欺詐活動(dòng)的數(shù)據(jù)挖掘技術(shù)之前，首先根據(jù)2016年普華永道經(jīng)濟(jì)犯罪調(diào)查來(lái)查看欺詐行為。

三大風(fēng)險(xiǎn)預(yù)測(cè)算法和案例如下：

分類方法：用于生成可能的值（即true，false，yes，no，o,1等）。這種機(jī)器學(xué)習(xí)技術(shù)可以根據(jù)各種預(yù)測(cè)變量來(lái)分類特定債務(wù)會(huì)變成“好”還是“壞”。

神經(jīng)網(wǎng)絡(luò)：在包含神經(jīng)元和具有輸入、輸出和隱藏層節(jié)點(diǎn)的大型數(shù)據(jù)集上顯示更好的結(jié)果。這種方法通常用于使用各種人口學(xué)，年齡和其他變量作為輸入來(lái)執(zhí)行信用評(píng)級(jí)預(yù)測(cè)。

隨機(jī)決策森林：分類的集合學(xué)習(xí)方法。他們?cè)谂嘤?xùn)和輸出種類時(shí)（即分類模式）構(gòu)建了許多決策樹。這被廣泛用于執(zhí)行信用風(fēng)險(xiǎn)預(yù)測(cè)。

Beneish M-Score是另一個(gè)在財(cái)務(wù)報(bào)表欺詐領(lǐng)域受歡迎的新興數(shù)學(xué)模型。該模型使用財(cái)務(wù)比率和八個(gè)變量來(lái)確定一個(gè)組織是否操縱了其收入。這些變量是根據(jù)公司財(cái)務(wù)報(bào)表中的數(shù)據(jù)構(gòu)建的，一旦計(jì)算出來(lái)，就會(huì)創(chuàng)建一個(gè)M-Score來(lái)描述盈余被操縱的程度。請(qǐng)注意，作為概率模型，它不會(huì)識(shí)別100%準(zhǔn)確度的操縱器。

機(jī)器學(xué)習(xí)的好處主要是：

通過(guò)快速集成進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的決策：機(jī)器學(xué)習(xí)利用各種數(shù)據(jù)，幫助企業(yè)根據(jù)最新的數(shù)據(jù)模式不斷升級(jí)其策略。

加速洞察力：機(jī)器學(xué)習(xí)能夠加快識(shí)別相關(guān)數(shù)據(jù)的速度使得利益相關(guān)者能夠及時(shí)行動(dòng)。例如，機(jī)器學(xué)習(xí)可以不斷優(yōu)化客戶的下一個(gè)最佳報(bào)價(jià)，因此客戶在中午可能看到的內(nèi)容可能與同一個(gè)客戶在晚上看到的內(nèi)容不同。

風(fēng)險(xiǎn)規(guī)避：機(jī)器學(xué)習(xí)給企業(yè)提供了防止詐騙者陷入困境并減輕潛在貨幣和監(jiān)管復(fù)雜化的能力。

文章原標(biāo)題《Deep Dive Into Machine Learning》

作者：Sunil Kappal

更為詳細(xì)的內(nèi)容，請(qǐng)查看原文文章