Подбор оптимального метода машинного обучения для выявления банковских угроз презентация

Выполнил: Сидоров П.Г. группа МИТ-13-1
Научный руководитель: Кузнецов А.А. ассист.

НИТУ МИСИС
2017 г.

из распространенных схем мошенничества:
На форумах мошенники изъявляют желание продать или купить карты
Как правило, карта используется для вывода средств, украденных в интернет-банке, электронных кошельках, карточных переводах между гражданами.
Теневые форумы также используются для поиска людей, которые будут осуществлять обналичивание

на основе парсинга форумов Dark Net и фильтрации по ключевым словам
Цели
Построить классификатор, идентифицирующий сообщения тематики “Куплю/продам дебетовые карты”
Задачи
Разметить исходные данные
Обработать исходные данные
Проанализировать характеристики представленной выборки
Провести эксперименты сравнения моделей
Выбрать оптимальный метод машинного обучения с лучшим результатом

контента теневых форумов

Sphinx - система полнотекстового поиска

Выборки по ключевым словам

Разметка

Модуль классификатор

БД - хранение идентифицированных сообщений по теме угрозы

область угроз, способный, читая сообщение, определить, можно ли отнести пост к угрозе.
Правила, по которым он это делает, называются манифестом разметки.
Манифест разметки представляет собой семантический портрет угрозы, включающий в себя цель сообщения, варианты подачи информации и первичный словарь.

Итоговая выборка состоит из 1500 постов.
Помеченных угрозой постов: 444.

являющихся русскими буквами

слов (Count Vectorizer)
TF-IDF

(⅔ выборки)
Тестовая (⅓ выборки)
Этапы построения классификатора
Обучение классификатора на обучающей выборке
Тестирование классификатора на тестовой выборке

(Полнота) = TP/(TP+FN)
F1-Score=((1+a2)*Precision*Recall)/(a2*Precision+Recall)

классификаторов
Был получен оптимальный для данной задачи метод машинного обучения
Метод взвешивания TF-IDF
Метод классификации SVM (Метод опорных векторов)
Еженедельно база данных пополняется новыми данными, появляются новые слова и тексты постов. Классификация может ухудшиться. По мере роста накопленных данных следует переобучать классификатор.