The datasets contains transactions

The datasets contains transactions made by credit cards in September 2013 by european cardholders. This dataset present transactions that occurred in two days, where we have 492 frauds out of 284,807 transactions. The dataset is highly unbalanced, the positive class (frauds) account for 0.172% of all transactions.

It contains only numerical input variables which are the result of a PCA transformation. Unfortunately, due to confidentiality issues, we cannot provide the original features and more background information about the data. Features V1, V2, ... V28 are the principal components obtained with PCA, the only features which have not been transformed with PCA are 'Time' and 'Amount'. Feature 'Time' contains the seconds elapsed between each transaction and the first transaction in the dataset. The feature 'Amount' is the transaction Amount, this feature can be used for example-dependant cost-senstive learning. Feature 'Class' is the response variable and it takes value 1 in case of fraud and 0 otherwise.

Please cite: Andrea Dal Pozzolo, Olivier Caelen, Reid A. Johnson and Gianluca Bontempi. Calibrating Probability with Undersampling for Unbalanced Classification. In Symposium on Computational Intelligence and Data Mining (CIDM), IEEE, 2015

ผลลัพธ์ (ไทย) 1:

Datasets ประกอบด้วยธุรกรรมทำ โดยบัตรเครดิตในเดือน 2013 กันยายนโดยผู้ถือบัตรยุโรป ชุดข้อมูลนี้ปัจจุบันธุรกรรมที่เกิดขึ้นในวันที่สอง ที่เรามีทุจริต 492 จากธุรกรรม 284,807 ชุดข้อมูลไม่สมดุลสูง ระดับบวก (หลอกลวง) บัญชี 0.172% ของธุรกรรมทั้งหมดมันประกอบด้วยเฉพาะตัวเลขป้อนค่าตัวแปรซึ่งเป็นผลจากการเปลี่ยนแปลงของ PCA อับ เนื่องจากปัญหาความลับ เราไม่สามารถให้คุณสมบัติเดิมและข้อมูลเพิ่มเติมเกี่ยวกับข้อมูล ห้อง V1, V2, ... V28 มีคอมโพเนนต์หลักที่ได้รับจาก PCA คุณสมบัติเฉพาะซึ่งไม่ได้รับการเปลี่ยนกับ PCA มี 'เวลา' และ 'เงิน' ประกอบด้วยคุณลักษณะ 'เวลา' วินาทีระหว่างแต่ละธุรกรรมและธุรกรรมแรกในชุดข้อมูลที่ผ่านไป คุณลักษณะ 'เงิน' เป็นธุรกรรมการเงิน สามารถใช้คุณลักษณะนี้สำหรับการเรียนรู้ทุน senstive ขึ้นตัวอย่าง คุณลักษณะ 'คลาส' เป็นตัวแปรตอบสนอง และค่า 1 ในกรณีของการฉ้อโกงและ 0 เป็นอย่างอื่น โปรดอ้างอิง: Andrea Pozzolo ดาล Caelen โอลิเวียร์ จอห์นสัน A. Reid และ Bontempi ดูทุกรายการ การปรับเทียบความน่าเป็นกับ Undersampling การจัดสมดุล ในการประชุมสัมมนาทาง Computational Intelligence และทำเหมืองข้อมูล (CIDM), IEEE, 2015

ผลลัพธ์ (ไทย) 2:

ชุดข้อมูลที่มีการทำธุรกรรมผ่านบัตรเครดิตในเดือนกันยายน ชุดนี้การทำธุรกรรมในปัจจุบันที่เกิดขึ้นในสองวันที่เรามี ชุดข้อมูลที่ไม่สมดุลสูงชั้นบวก

มันมีตัวแปรเชิงตัวเลขเท่านั้นซึ่งเป็นผลมาจากการเปลี่ยนแปลง แต่เนื่องจากปัญหาการรักษาความลับที่เราไม่สามารถให้คุณสมบัติเดิมและข้อมูลพื้นฐานเพิ่มเติมเกี่ยวกับข้อมูล คุณสมบัติ คุณลักษณะ คุณลักษณะ คุณลักษณะ

โปรดอ้างอิง การปรับความน่าจะเป็นกับ ในการประชุมวิชาการคอมพิวเตอร์ข่าวกรองและการทำเหมืองข้อมูล

ผลลัพธ์ (ไทย) 3:

มีข้อมูลประกอบด้วยรายการจ่ายโดยบัตรเครดิตในเดือนกันยายน 2556 โดยผู้ถือบัตรยุโรป ชุดข้อมูลนี้ปัจจุบันธุรกรรมที่เกิดขึ้นใน 2 วัน ซึ่งเรามีเรื่องทุจริตออกจาก 284807 รายการ ข้อมูลเป็นอย่างสูงที่ขาดดุล ชั้นเรียนทางบวก ( ทุจริต ) บัญชี 0.172 % ของธุรกรรมทั้งหมดมันมีเพียงตัวเลขใส่ตัวแปรที่เป็นผลจากระบบการแปลง ขออภัย เนื่องจากปัญหาการรักษาความลับ เราไม่สามารถให้คุณสมบัติเดิมและเพิ่มเติมข้อมูลพื้นฐานเกี่ยวกับข้อมูล คุณสมบัติ V1 , V2 , . . . v28 เป็นส่วนประกอบหลักที่ได้กับ PCA , คุณสมบัติเท่านั้นซึ่งไม่ได้ถูกเปลี่ยนกับ PCA เป็น ' เวลา ' และ ' เงิน ' คุณลักษณะ ' เวลา ' ประกอบด้วยวินาทีที่ผ่านไประหว่างแต่ละธุรกรรม และรายการแรกในวันที่ . คุณลักษณะ ' ยอดเงิน ' คือ ธุรกรรมจำนวนคุณลักษณะนี้สามารถใช้ตัวอย่างเช่นขึ้นอยู่กับต้นทุน senstive การเรียนรู้ คุณลักษณะ ' คลาส ' คือการตอบสนองตัวแปรและใช้ค่า 1 ในคดีฉ้อโกง และ 0 เป็นอย่างอื่นกรุณาอ้างอิง : แอนเดรีย ดัล pozzolo ชัวร์ Olivier caelen รี้ด A . Johnson และ Gianluca บอนเท็มปิ . เปิดโอกาสกับ undersampling ประเภทไม่สมดุลกัน ในการประชุมวิชาการปัญญาเชิงคำนวณและเหมืองข้อมูล ( cidm ) โดย 2015