Outliers detection and its application to fraud prevention

Obserwacje odstające najczęściej pojawiają się w zbiorach danych w wyniku błędów ale również mogą sygnalizować rzeczywiste anormalne zachowywanie obserwowanego elementu. W takim scenariuszu anomalia nie jest niechcianą obserwacją, którą należałoby wyrzucić ze zbioru danych, a wręcz przeciwnie - jest to obserwacja której poszukujemy. W pracy przybliżone zostały metody wykrywania anomalii, a szczególnie model Isolation Forest stosowany do wykrywania nadużyć finansowych.

Outliers usually appear in data sets as a result of errors but may also signal the actual abnormal behavior of the observed element. In such a scenario, the anomaly is not an unwanted observation that should be deleted from the data set, on the contrary - it is the observation we are looking for. The work presents methods used for anomaly detection, especially the Isolation Forest model used to detect fraud.