电商网站经常交易巨额资金。每当大量资金被转移，就有欺诈活动的风险，例如用户被盗刷信用卡，诈骗，洗钱等等。 机器学习善于解决识别欺诈的问题，可以构建机器学习模型来识别欺诈活动。 本文目标是构建一个机器学习模型，该模型可以预测新用户的第一笔交易是否具有欺诈性。
一些思路：
- 对于每个用户，根据数字 IP 地址确定他的国家/地区。
- 建立一个模型来预测一项活动是否具有欺诈性。false postive和false negative会如何影响模型选择？
- 需要解释模型。不是从数学的角度来看（老板并不关心），而是从用户的角度。哪些类型的用户更有可能被归类为有风险？他们的特点是什么？
- 假设模型已经训练好了，可以使用它来实时预测活动是否具有欺诈性。从产品的角度来看，如何根据模型输出，构建出怎样的不同的用户体验？
有两张表
-
交易信息表，记录了每个用户的第一笔交易信息
- user_id ：用户的 ID。用户唯一
- signup_time ：用户创建帐户的时间（格林威治标准时间）
- purchase_time ：用户购买商品的时间（GMT时间）
- purchase_value ：所购商品的成本（美元）
- device_id ：设备ID。您可以假设它在设备上是唯一的。即交易具有相同的设备 ID 表示使用相同的物理设备
- source：用户营销渠道：广告、搜索引擎优化、直接（即直接输入到网站浏览器上的网站地址）。
- browser ：用户使用的浏览器。
- sex：用户性别：男/女
- age：用户年龄
- ip_address : 用户数字ip地址
- class: 我们预测的目标，1表示具有欺诈性，0表示没有
-
IP地址映射表，根据IP地址的上下界来确定所属的国家
- lower_bound_ip_address ：该国家/地区的数字 IP 地址的下限
- upper_bound_ip_address ：该国家/地区的数字 IP 地址的上限
- country : 对应的国家。如果用户的 ip 地址的值在上限和下限之间，那么他就位于这个国家。