Graphengestützte Analysen und maschinelles Lernen mit TigerGraph

Kapitel 12. Verbesserung der Betrugsaufdeckung

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In einem früheren Kapitel haben wir uns mit dem Problem der Betrugserkennung beschäftigt, indem wir Graph-Abfragen entwickelt haben, die nach bestimmten Verhaltensmustern suchen, die verdächtig sein könnten. In diesem Kapitel werden wir Methoden des maschinellen Lernens anwenden, um die Betrugserkennung zu verbessern. Maschinelles Lernen kann uns bei der Erkennung von Anomalien helfen oder indem wir die Software darauf trainieren, Betrug anhand von Beispielen bekannter Betrugsfälle zu erkennen. In beiden Fällen sind grafisch strukturierte Daten ein wertvolles Hilfsmittel, um Ungewöhnliches zu erkennen (Anomalien) oder um Datenmerkmale zu liefern (um Vorhersagemodelle zu erstellen). Keine Methode ist perfekt, aber maschinelles Lernen kann oft Muster und Anomalien erkennen, die Menschen übersehen würden. Konventionelle Ansätze folgen nur den Regeln, die Experten vorgeben. Mit maschinellem Lernen auf Graphen können wir Muster in den Daten erkennen, die nicht explizit als Betrugsfälle gekennzeichnet wurden, was die Anpassungsfähigkeit an veränderte Betrugstaktiken erhöht.

Nach Abschluss dieses Kapitels solltest du in der Lage sein:

• Einsatz und Nutzung der TigerGraph Machine Learning Workbench

• Verwende graphenbasierte Merkmale, um den Merkmalsvektor eines Datensatzes anzureichern und vergleiche dann ...