我有一个时间序列数据，该数据说明了1年时间轴内交易中的欺诈数量以及欺诈的目标变量与否。
X轴是时间轴，Y轴是检测到的欺诈数量。
我们是否有任何ML模型/统计技术试图识别这些欺诈的趋势并将其转换为可测量的预测变量，其值的范围为0到1，其中接近1的值更容易出现欺诈和vic。，< / p>
一年中欺诈的趋势是非线性的，因此，如果有任何数学变换，我可以在时间序列上应用它，从而为我提供一个可测量的功能？
有什么建议值得赞赏吗？
我想到了使用正常的斜率技术，其中时间线的负斜率欺诈较少，而正斜率则欺诈较多。它仅捕获线性趋势，但需要捕获非线性趋势。
修改：：
我忘记了一个重点。我将给出一个方案来更好地解释这一点。
对于金融银行，假设我有1000家银行，而每家银行都有12个月的时间段（每月检测到多少次欺诈）以及相应的目标变量，无论该银行是否有很高的欺诈机会。
现在，当我在12个月内遇到一家具有相应欺诈行为的新银行时，有什么方法可以使用1000家银行欺诈模式来查找该银行是否为欺诈行为？
我们可以使用任何时间序列方法吗？我假设，如果是针对单个银行，则时间序列会在我拥有多个银行的情况下进行处理，我想使用非线性回归技术，假设每个月都是一个功能，训练模型可能会有所帮助？因为我可以得到一个可以用来预测目标的多项式方程？
请也分享您的想法
答案 0 :(得分：-1)
我将假设您的数据包含风险变量（客户数据，贷款数据等）。为此，我使用了线性模型，后勤模型和条件干扰树。以下是各种高级视图。您确实需要了解基础方法才能获得良好的功能模型。我建议将伪变量与这些变量一起使用...二进制最适合于易于解释。
线性模型或逻辑模型将生成一个方程式，您可以使用该方程式来衡量每条记录（贷款）的风险。此方法需要排除异常值，库克距离等。
线性：
step(lm(default flag ~ Variable 1 + Variable 2 + ...))
后勤：
glm(default flag ~ Variable 1 + Variable 2 + ...)
另一个是条件干扰树。我将使用带有ctree（）函数的partykit（）包。这将根据存储桶中变量的统计显着性存储存储桶默认值。
plot(ctree(default flag ~ Variable 1 + Variable 2, data= "Your data",
controls = "looks this up for your model")
此外，如果您还担心默认时间，请查看生存分析。
我在这三个方面都取得了成功。如果您所拥有的只是一个时间段和默认的总计，那么您将无法做太多事情，因为您将没有基础变量。