Problema sobre fraudes

Se desea predecir si una orden de compra de un e-commerce será fraudulenta y se tiene la siguiente ingormación.

Se tienen 151,112 registros de compras realizadas donde de las cuales 14,151 se han identificado como fraude, para esta viariable binaria tenemos que 1 son las compras fraude y 0 identifica a las compras verdaderas

Las variables que se han decidido utilizar seran “Fecha compra”,“Monto”,“Fuente”,“Navegador”, “sexo”, “edad”, “direccion_ip”, “Fraude”. Para hacer uso de estas variables hay que notar que algunas son variables categoricas y otras numericas. Por lo que procederemos a preparar los datos para modelarlos.

Vamos a observar la gráfica de dispersión entre el monto de de las compras según el indicador si es fraude o no.

library(ggplot2)
ggplot( dat , aes ( x= purchase_value , y=age  , group = class , col = factor(class ))) +
  geom_point ( alpha =0.4) +
  labs (x =" Rendimiento ",y =" Fabricante ") 

Preprocesamiento de los datos

Es necesario que preparemos los datos que vamos a utilizar de modo que nos sean utiles para la creación de nuestra red neuronal. Para esto se ha realizado lo siguiente.

x_vars <- t(scale(dat[,c(1,2,6,7,9:18)],center=T,scale=T))

Overfitting: Conjunto de entrenamiento y de prueba

Un problema muy usual al momento de modelar un conjunto de datos es que nuestro modelo podria estar sobre estimando los datos, es decir, se aproxima tanto a los datos que no generaliza de manera adecuada los datos.

Y dado que la principal razón de modelar datos es predecir, el comportamiento de las variables de un determinado evento a futuro… Un modelo que no generalice de manera adecuada es un modelo que no nos servirá. Por tal motivo intentaremos detectar si nuestro modelo está sobre estimando o no.

Para esto se utilizará una proporción de los datos para entrenar nuestra red neuronal y la otra proporción para evaluarla, dado que la red “aprende” y memoriza el comportamiento de los datos con los que entrena, buscaremos evaluarla con datos que no haya entrenado. De esta manera sabremos si esta generalizando nuestro evento o no.

La proporción seleccionada fue 80% de los datos para el entrenamiento y el 20% de los datos para la evaluación. Eligiendo registros pseudoaleatorios dado que no conocemos cual es la naturaleza u orden de los 151,112 registros y evitaremos tomar una proporción de datos que posiblemente tengan una “naturaleza” distinta.

filas.random <- sample(1:151112, 30222, replace= F)
dat_train <- as.data.frame(dat[-filas.random,])
dat_test <- as.data.frame(dat[filas.random,])

Posteriormente procederemos a escalar estos datos.

x_vars_train <- t(scale(dat_train[,c(1,2,6,7,9:18)],center=T,scale=T))
x_vars_test <- t(scale(dat_test[,c(1,2,6,7,9:18)],center=T,scale=T))

y_var_train <- t(as.matrix(dat_train[,8]))
t_var_test <- t(as.matrix(dat_test[,8]))

Red neuronal

Se realiza la siguiente red Neuronal:

Y la matriz de confusión

y_var <- t(as.matrix(dat_train[,8]))

model <- train_nn(x_vars_train, y_var_train, hidden_neurons = 6 , iters = 1000, learning_rate = 0.9)

## Iteration 1000  | Cost:  0.2557398

probas <- predict_nn(x_vars_train, model)

clase <- round(probas)

Observamos los datos obtenidos de nuestra red Neuronal

summary(t(probas))

##        V1         
##  Min.   :0.03417  
##  1st Qu.:0.03423  
##  Median :0.03575  
##  Mean   :0.09262  
##  3rd Qu.:0.08364  
##  Max.   :0.43858

Se utilizaron pocas iteraciones pues computacionalmente tiene una complejidad en tiempo muy alta tener iteraciones altas. Por lo que se utilizaron pocas iteraciones para ejemplificar el problema que tenemos. Sin embargo, es ideal tener un número alto de iteraciones para obtener la red neuronal entrenada con menor costo. Asi obtendriamos la red “mejor entrenada” por medio del método backward propagation.

Observando probabilidades entrenadas y de prueba

Vamos a observar el comportamiento que a aproximado nuestra red en los datos entrenados y la sprobabilidades que modelará con los datos que decidimos separar para la prueba. De esta manera vamos a detectar si esta sobre estimando o no nuestra red neuronal.

plot(sort(as.vector(probas)),type = 'l',col='blue')
legend('bottomright', legend='Entrenada', col='blue', lty=1)

probas1 <- predict_nn(x_vars_test, model)

plot(sort(as.vector(probas1)),type = 'l',col='red')
legend('bottomright', legend='Evaluada', col='red', lty=1)

Por lo que podemos notar que nuestra red neuronal esta generalizando bien el problema que estamos trabajando.