什么是欺诈检测？
欺诈检测，是指在交易、报销、理赔、采购等业务数据中识别偏离正常模式的异常记录，并据此判断是否存在舞弊风险的一类分析过程。它的技术底色是异常值识别：先刻画什么叫”正常”，再把偏离正常的样本挑出来交给人复核。
难点从来不是算法本身，而是三件事：正样本极少（公开信用卡数据集里舞弊交易只占千分之一点七），业务口径每季度都在变，以及监管要求每一条告警都能解释来源。因此，与其押注单一模型，不如把多种方法放在同一条流水线上横向比对。这正是本用例要做的事。
该场景与金融服务数据分析解决方案、企业审计分析解决方案共用同一套数据底座，建模逻辑可直接复用到反洗钱筛查与费用稽核。
这个用例解决什么问题
从”选一个模型”改成”让方法自己比出来”，风控与稽核团队拿到的不是一个黑箱分数，而是一张可解释的方法效果对照表。
欺诈检测：七种方法的适用边界
有没有历史舞弊标签，直接决定你能用哪一类方法。下表把七种技术按”是否需要标注样本”分成两组，选型时先看这一列。
| 方法 | 类型 | 需要标注样本 | 典型适用场景 |
|---|---|---|---|
| 四分位法（IQR） | 统计 | 否 | 单一金额或频次字段的快速粗筛，规则可直接口头解释 |
| 分布法（z-score） | 统计 | 否 | 指标近似正态分布时的离群点识别 |
| DBSCAN 聚类 | 无监督 | 否 | 多维行为特征聚簇，落在任何簇之外的即为可疑 |
| 孤立森林 | 无监督 | 否 | 高维稀疏、样本量大，需要稳定离群分数 |
| 自编码器 | 无监督 | 否 | 用重构误差刻画异常，适合复杂非线性模式 |
| 逻辑回归 | 有监督 | 是 | 需要向监管或业务解释每个变量的系数方向 |
| 随机森林 | 有监督 | 是 | 已积累历史舞弊标签，追求更高召回率 |
实务里常见的做法是无监督打头、有监督收口：先用统计与聚类方法在无标签阶段积累疑似样本，人工复核后形成标签，再训练有监督模型接管日常打分。想了解这些算法节点的完整清单，可查看统计分析与机器学习功能页。
欺诈检测：从数据到告警的四步流程
整条链路由可视化节点串起来，任何一步都可以单独重跑，不需要重新执行全流程。下图是完整工作流的结构：左侧一路数据进入，中段分七路并行建模，右侧汇成一张对比图。
1. 数据接入与预处理
读取交易明细后先做分区，再对数值字段归一化，确保基于距离的聚类方法不被金额量纲带偏。训练集与测试集在这一步一次切分，之后所有方法共用同一份测试集。
2. 七路方法并行建模
同一份训练数据分发到七个分支，各自完成建模。分支之间互不干扰，新增或替换一种方法只需接上一路，不必改动上下游。
3. 阈值与超参寻优
每个分支内嵌参数优化循环，自动搜索离群分数阈值、聚类邻域半径等关键参数，使每种技术都以最佳配置参与比较，避免”输在没调参”。
4. 评估、可视化与告警
在同一测试集上计算精确率与召回率，汇总成对比条形图。选定方法后，可把打分与告警分发做成定时任务或数据应用，交给一线复核人员使用；结合AI 智能体能力还能自动生成多语种告警说明。
