【源码】基于Python语言的异常账户识别系统

项目简介

本项目源于系统认证风险预测竞赛（https://www.datafountain.cn/competitions/537），依据用户认证行为数据和风险异常标记，构建用户认证行为特征模型与风险异常评估模型，以此判断当前用户认证行为是否存在风险。

项目的主要特性和功能

1. 全面的数据预处理：处理原始数据的18个特征，去除无学习价值特征，对离散特征编码转换，生成31个新特征，进行z - score标准化处理，消除数据量纲和离群数据影响。
2. 特征衍生与筛选：参考RFM分析方法衍生特征，提取账户操作和交易关键特征。通过WOE和IV评估特征重要性，结合相关性分析筛选有效特征。
3. 多种模型训练：采用经典监督学习模型（逻辑回归、支持向量机、XGBoost）和UEBA方法（一类支持向量机、局部异常因子、孤立森林）训练，满足不同异常检测需求。
4. 集成学习策略：为不同个体学习器设定权值，对正常和异常行为分别预测并加权求和，得出最终预测结果。
5. 参赛成绩评估：使用ROC曲线下面积AUC作为评价指标，在A榜和B榜取得一定成绩。

安装使用步骤

假设用户已下载本项目的源码文件，按以下步骤操作： 1. 环境准备：确保安装Python 3.8环境，安装pandas、numpy、sklearn、pickle等必要库。 2. 数据准备：将下载的数据解压缩到项目路径下的对应文件夹。 3. 模型训练： - 逻辑回归：运行 models\LR_train.py 脚本。 - 支持向量机：运行 models\SVM_train.py 脚本。 - XGBoost：运行 models\XGB_train.py 脚本。 - 一类支持向量机：运行 models\OneClassSVM.py 脚本。 - 局部异常因子：运行 models\LocalOutlierFactor.py 脚本。 - 孤立森林：运行 models\IsolationForest.py 脚本。 4. 模型预测：运行 models\predict.py 脚本，使用训练好的模型对新数据进行预测，结果保存为CSV文件。 5. 结果分析：根据预测结果和AUC值评估模型性能，按需调整参数或尝试其他模型优化。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】