反欺诈数据集怎么选

风控团队训模型时最常卡在数据上。公开数据集能跑通代码，但一上线就发现效果对不上——因为真实业务和公开数据的分布差太远。

四个判据

• 字段能不能映射到你的系统。数据集里的字段，在你风控系统的表里能不能找到对应？对不上就是白买。
• 有没有行为序列。真实欺诈的关键特征在时序里——入账后多久转出、经过几层账户。只有孤立的行，训不出时序模型。
• 异常率是否接近真实。公开数据集欺诈率常在 0.1%~0.2%，很多真实业务在 0.5%~2%，差一个量级会让阈值全偏。
• 每类异常能不能追溯到真实案例。背后有没有监管通报或司法判例支撑，还是编出来的名字。

常见坑

拿公开数据集调参，AUC 很漂亮，上线后召回率断崖——因为公开数据的欺诈模式和你的业务不同源。

只用正样本训练——没有真实负样本分布，模型学不到边界。