HMM: attraper les transactions frauduleuses

Pendant trois ans, j'ai travaillé en Serbie en tant qu'évangéliste iOS - il y avait deux projets spécialisés et un apprentissage automatique.

Si vous êtes intéressé, bienvenue dans le monde de HMM.

Formulation du problème

Banque autrichienne. Il a de nombreux clients, les clients ont un compte auprès de cette banque. Au cours de l'année, le client dépense les fonds de son compte. Il va dans les magasins, éteint les factures de services publics, etc. Chaque retrait d'argent d'un compte est appelé une transaction. Une séquence de transactions est donnée pendant un certain temps (par exemple, un an). Il est nécessaire de former la machine pour qu'elle commence à vérifier les nouvelles transactions comme valides ou suspectes. Et a émis un avertissement dans ce dernier cas. Pour résoudre le problème, vous devez utiliser le modèle de Markov caché.

Introduction à HMM

Je reçois un coronavirus chaque année pendant 10 jours consécutifs. Le reste des jours, il est en aussi bonne santé qu'un taureau.

Représentons cette séquence de 365 caractères sous forme de tableau. h signifie en bonne santé, l signifie malade.

days{365} = {hhhhhhhhhhllllllllllhhhhhhhhhhhhhhhhhhhhhhhh...hhhhh}
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

Question - Quelle est la probabilité que je sois malade aujourd'hui?

= 3 pour cent

, , 15 HMM. - .

- , ?

: - ?

( - 10), = 90 10 .

? -

= 0.3 99.7% .

, 10% 90% .

4 , 2 2 - ! . , 0 1, .

, , 0.997 , 0.003 .

/? .

, .

27.10.2020 00:00 GAZPROMNEFT AZS 219    2507,43 118 753,95 28.10.2020 / 298380 
 26.10.2020 14:45 SPAR 77                319,73 121 261,38 27.10.2020 / 220146 
 26.10.2020 14:38 ATM 60006475           4800,00 121 581,11 26.10.2020 / 213074  
 25.10.2020 17:52 EUROSPAR 18            970,02 126 381,11 26.10.2020 / 259110 
 25.10.2020 00:00 Tinkoff Card2Card      20000,00 127 351,13 26.10.2020 / 253237   
 22.10.2020 14:22 SBOL  4276      7000,00 147 351,13 22.10.2020 / 276951   
 22.10.2020 12:18 STOLOVAYA              185,00 154 351,13 23.10.2020 / 279502   
 21.10.2020 16:46 MEGAFON R9290499831    500,00 154 536,13 21.10.2020 / 224592  , , .
 21.10.2020 14:17 SPAR 77                987,03 155 036,13 22.10.2020 / 219015 
 21.10.2020 13:42 PYATEROCHKA 646        289,93 156 023,16 22.10.2020 / 294539 
 21.10.2020 00:00 MEBEL                  75,00 156 313,09 22.10.2020 / 279935  
 19.10.2020 14:54 SPAR 77                552,92 132 044,80 20.10.2020 / 208987 
 19.10.2020 00:00 MOBILE FEE             60,00 132 597,72 20.10.2020 / -  
 16.10.2020 14:19 SPAR 77                579,39 132 657,72 17.10.2020 / 229627 
 12.10.2020 13:33 STOLOVAYA              185,00 133 237,11 13.10.2020 / 261374   
 12.10.2020 00:00 OOO MASTERHOST         1000,00 133 422,11 13.10.2020 / 268065  
 11.10.2020 12:09 SPAR 77                782,87 134 422,11 12.10.2020 / 275816 
 10.10.2020 14:52 SBOL            400,00 135 204,98 10.10.2020 / 276925   
 09.10.2020 13:29 SBOL  5484*     1000,00 135 604,98 09.10.2020 / 229184   
 09.10.2020 11:55 MAGNIT MK KRYUCHYA     274,00 136 604,98 10.10.2020 / 209914 

      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

,

def readtrans():
    with open ("assets/trans.txt", "r") as file:
        grades = file.read()
    pattern = '(\d{2,5}),\d\d'
    result = re.findall(pattern, grades)
    r = list(map(int, result[0::2]))
    return r

data = readtrans()
t = list(range(len(data)))
df = pd.DataFrame({'number':t, 'amount':data})
ax1 = df.plot.bar(x='number', y='amount', rot=0, width=1.5)


      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

- ( 10$) l, 100$ h, - m.

print(observations[:20])
trans[] = ['m', 'm', 'm', 'l', 'm', 'm', 'h', 'm', 'l', 'l', 'm', 'l', 'l', 'l', 'l', 'l', 'l', 'm', 'l', 'l']
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

. 3 3, 3 = {l,m,h}

[[0.5 0.3 0.2]
 [0.6 0.3 0.1]
 [0.7 0.3 0.0]]
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

- , 0.7 , 0.3 - .

, . - . - .

- ?! - . , . (), , . .

, , . - , , , , ...

, . , ?! . , 4-6 . . . -. . , 300 .

, 5 5 ( 5 5) 20 .

[[a1 a2 a3 a4 a5]
 [b1 b2 b3 b4 b5]
 [c1 c2 c3 c4 c5]
 [x1 x2 x3 x4 x5]
 [y1 y2 y3 y4 y5]]
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

20, 25 ( ). , , 5 .

( ) 5 3.

? , a ( )

l-, m-, h-.

[0.96 0.04 0.0]
      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

100 . .

, , 20 10 .

20+10 , !

!

, .

hmm, - , . , 15-20 , .

.

.

Accord C#

using Accord.MachineLearning;
using Accord.Statistics.Models.Markov;
using Accord.Statistics.Models.Markov.Learning;
using Accord.Statistics.Models.Markov.Topology;
using Comtrade.FMS.Common;

      
      

        
        
        
      

    
        
        
        
      
      

        
        
        
      

    
    

, ( ) . -. , run- )) . 2010 .

Je vais donner une ligne de code dans laquelle la méthode d'apprentissage est cryptée.

var enseignant = nouveau BaumWelchLearning (hmm)

Vous comprendrez les détails de la méthode Baum-Welch en lisant la littérature pertinente et en ajustant votre cerveau à une statistique. processus.

Je vous souhaite plein succès et une bonne carrière dans les structures informatiques bancaires!