Обнаружение и объяснение аномалий в транзакционных данных: сравнение методов и интерпретируемость результатов

Abstract

В работе выполнено сравнение подходов к обнаружению аномалий в транзакционных данных на наборах PaySim и Credit Card Fraud Detection. Исследованы supervised-модель XGBoost и unsupervised-модель Isolation Forest, а также интерпретация решений с помощью SHAP и permutation importance. Показано, что supervised-подход обеспечивает более высокое качество, однако содержательная интерпретируемость зависит не только от алгоритма, но и от природы признаков. Для PaySim дополнительно проведен anti-leakage эксперимент, позволивший отделить максимальное качество от практически предпочтительной модели.