我正在考虑计算平均金额，例如最近十笔交易，并检查下一笔交易金额与平均金额的差距。太大的偏差将表明异常。但这听起来并不多，不是吗？

一种典型的异常值检测方法。这在大多数情况下都有效。但是，由于问题陈述涉及信用卡欺诈检测，因此检测技术/算法/实现应该更加稳健。

您可能想查看这种异常值检测的Mahalanobis 距离度量。

谈到欺诈检测的算法，我会指出行业中使用的标准（因为我没有这方面的经验，但觉得这些资源对你有用）。

检查我对这个问题的回答。它包含欺诈检测领域中使用的流行方法和算法。其中最流行的是遗传算法。

有人从 ATM 请求多少的基本模型是什么？它似乎不像高斯分布那样简单，将新数量与平均值进行比较是明智的。考虑一个总是拿出40美元或 400美元的人。理想情况下，我们希望构建用户正常交易的分布，并注意新数据点是否看起来不像是从该分布中采样的。

idclark 的建议是查看距该用户最近的n个数据点并计算与它们之间的距离，这是对此类测试的一种良好且快速的实现。

另一种可能性是尝试找到相似的用户，然后跨用户聚合数据。如果我每个用户只有 10 次提款，我将无法自信地拒绝任何新的提款，但如果我有 7 个用户集群，每个集群有 1000 次提款，我可以注意到一个用户在特定集群中偏离整体集群分布。（这也有助于您利用有关先前哪些交易是欺诈性的知识。）

我正在考虑计算平均金额，例如最近十笔交易，并检查下一笔交易金额与平均金额的差距。

这听起来像是一个好的开始。我会研究局部异常值概率。对于给定的数据点，您可以计算与最近邻居的距离，n并确定所考虑的数据点是否是异常值。

可以在此处找到基本概述 我还将交易的来源、目的地、数量和频率视为特征。

我实际上并没有回答你的问题，但它是一个关于如何改进它的想法。在我看来，我不相信您将能够仅使用这些数据构建分类模型。如果你这样做，它将没有足够高的准确性。在你的位置上，我会开始寻找更多的数据来用作特征。

这里有一些例子：

1. ATM的取款代码。人们在日常生活中大部分时间都使用类似的 ATM。如果您知道他们以前的 ATM 的经纬度，您可以检查其中一个是否距离较远，并将其与其他功能相结合，您将提高准确性。
2. 每次取款在 ATM 上花费的秒数。人们在取款时倾向于遵循特定的模式。如果他们之前的所有数据在花费时间上都相似，然后您在数据点上看到更低或更高的时间，您将能够提高模型的准确性。
3. 标记数据。在这样的模型中，使用监督算法而不是无监督算法要好得多。因此，我会寻找用于欺诈用途的标记数据。这也可以让您计算模型的实际精度。
4. 两次取款之间的时间。正如我之前所说，人们倾向于遵循模式。这方面的“异常”以及比预期更快的退出也会提高您的准确性。

就算法而言，我并不热衷于选择一种，因为它很流行。如果你已经完成了所有的数据处理和特征选择，你就完成了 90% 的工作，你将选择的算法是 2-3 行代码（如果你使用的是 Python 之类的语言）。我通常做的是检查所有可能的算法并评估它们的准确性。然后我要么使用它们的组合，要么使用精度最高的组合。