1.背景介绍
信用卡欺诈是一种冒用他人信用卡获取财物，或者用本人信用卡进行恶意透支的交易行为。这种行为危害公私财产所有权、银行金融管理秩序和商户管理秩序。因此，金融反欺诈模型应运而生，并且得到了广泛应用。
2.数据说明
某银行提供了信用卡的交易数据，由于保密原因，没有提供原始特征字段的原始信息，将原始信息进行了PCA变换，生成了V1、V2、V3、……、V28等28个投影特征，其中特征Amount交易金额未被变换，Class字段为目标值，1代表发生盗刷，0代表未发生盗刷。训练集有861条记录，测试集有200条记录。
3.方案介绍
1)模型工作流搭建
本案例采用Python模型节点完成建模，在节点中执行模型训练、模型预测和模型结果输出等操作。
2)编写Python脚本
Python模型节点是一种通过编写Python脚本进行模型搭建的节点。点击节点，可根据其中的注释信息的指引编写代码，注释中明确了如何通过前置节点输入信息，如何将当前节点信息向后输出，如图所示。
其中，采用了XGboost集成算法构建二分类模型，并且将模型应用在测试数据集上，预测并输出测试集的交易欺诈行为预期。
XGboost算法是一种采用了Boosting思想的集成算法。其基本思想是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数f(x)，去拟合上次预测的残差；当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数；最后只需要将每棵树对应的分数加起来就是该样本的预测值。
4.结果说明
Python模型节点运行后，生成了测试集的欺诈行为预期，点击数据集视图节点可以查看结果，根据结果帮助发卡机构保证持卡人权益，Class字段标记了测试数据中每条记录的欺诈分析结果，1代表预计发生盗刷，0代表预计不会发生盗刷。
结果表中不仅展示了欺诈标记结果，还对结果进行了探索性的数据分析，计算并展示了Class字段描述性统计分析指标。