在浏览机器学习问题时，我遇到了这个问题：

“鉴于来自 Netflix 的一个月的登录数据，例如 account_id、device_id 和有关付款的元数据，您将如何检测付款欺诈？”

现在，我将把这个问题作为一个监督学习练习来处理，并利用过去的数据作为训练数据，希望为每个样本提供响应并确定是否存在欺诈。

• 我会在这个训练数据上训练一个分类模型，目标是最小化误报（类型 I 错误），即在获得模型后，我会将概率阈值设置为低，以最小化误报。
• 我认为这些问题中的大多数通常是高度不平衡的（很少有欺诈案例），因此，我可能不会使用准确性作为性能指标来评估模型的性能（而是使用精度，或者可能是精度-召回AUC）。

现在我想知道我的方法是否正确，我的逻辑是否遗漏了什么？在过去，我解决了类似的“欺诈”问题，但是，问题是关于信用卡交易，而挑战是检测特定交易是否具有欺诈性。

因此，对于这个特定的 Netflix 问题，我不确定是否存在这样的挑战，即检测付款是否欺诈（而不是交易）是否会产生任何影响。

我很想听听其他人的想法。