第四章：基于MLP的异常交易检测

各位同学好，今天我们聊聊多层感知机（MLP）在反洗钱场景里的实战应用。说实话，MLP这个模型在深度学习里算是“老前辈”了，但你别小看它——在异常交易检测这种结构化数据任务上，它依然能打。

4.1 为什么是MLP？

你可能会问：现在Transformer、GNN这么火，为什么还要用MLP？

我个人习惯是：先上简单的，再上复杂的。MLP有三个天然优势：

• 训练速度快：相比图神经网络，MLP的训练时间能少一个数量级
• 可解释性强：每个特征对输出的贡献，通过权重可以直观分析
• 数据要求低：不需要构建复杂的图结构，表格数据直接喂进去就行

我在项目中遇到过一家中小银行，他们的交易数据量不大，每天也就几十万笔。用GNN反而过拟合严重，换成MLP后效果立竿见影。说白了，杀鸡不用牛刀。

4.2 MLP模型设计要点

设计MLP时，我一般遵循“三看”原则：看数据量、看特征维度、看业务复杂度。

4.2.1 网络结构设计

对于反洗钱场景，我推荐这样的基础结构：

输入层（特征维度） → 隐藏层1（128节点，ReLU） → Dropout(0.3) 
→ 隐藏层2（64节点，ReLU） → Dropout(0.3) 
→ 隐藏层3（32节点，ReLU） → 输出层（1节点，Sigmoid）

嗯，这里要注意：隐藏层不是越多越好。我曾经试过堆到8层，结果训练集准确率99%，测试集直接崩到60%。过拟合的典型症状。

4.2.2 激活函数选择

层位置	推荐激活函数	原因
隐藏层	ReLU / LeakyReLU	缓解梯度消失，计算快
输出层	Sigmoid	输出0-1概率，符合二分类

为什么不用Tanh？我在实践中发现，Tanh在反洗钱这种稀疏特征场景下，容易让梯度卡在饱和区。ReLU虽然简单，但够用。

4.3 训练与评估

训练MLP就像调一杯鸡尾酒——配方重要，手法更重要。

4.3.1 损失函数与优化器

• 损失函数：Binary Cross-Entropy（二分类交叉熵）
• 优化器：Adam，学习率设为0.001
• Batch Size：256或512，看显存大小

这里有个坑：反洗钱数据极度不平衡。正常交易可能占99.9%，异常只有0.1%。直接用BCE Loss，模型会学成“全部预测为正常”。

4.3.2 评估指标

别只看准确率。在反洗钱场景，我重点关注：

• 召回率（Recall）：抓到了多少真正的异常交易
• 精确率（Precision）：抓到的里面有多少是真的异常
• F1-Score：两者的调和平均
• AUC-ROC：模型区分正负样本的能力

你想想看，如果模型漏掉一笔洗钱交易，可能造成几百万的损失。所以召回率往往比精确率更重要。

4.4 实战案例：信用卡套现检测

下面我拿一个真实项目来拆解。某支付公司想检测信用卡套现行为，数据包含：交易金额、交易时间、商户类型、地理位置、历史交易频率等20个特征。

4.4.1 数据预处理

# 标准化连续特征
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

# 处理类别特征（商户类型等）
# 我用的是Label Encoding + Embedding层
# 但简单场景下One-Hot也够用

记得我当时踩过一个坑：金额特征分布极右偏，直接标准化效果很差。后来做了log变换，模型收敛速度快了一倍。

4.4.2 模型训练代码

import torch
import torch.nn as nn

class AML_MLP(nn.Module):
    def __init__(self, input_dim):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(input_dim, 128),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(128, 64),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(64, 32),
            nn.ReLU(),
            nn.Linear(32, 1),
            nn.Sigmoid()
        )
    
    def forward(self, x):
        return self.net(x)

# 训练循环（简化版）
model = AML_MLP(input_dim=20)
criterion = nn.BCELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(50):
    outputs = model(X_train_tensor)
    loss = criterion(outputs, y_train_tensor)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

4.4.3 结果分析

训练完成后，我们在测试集上得到：

指标	数值
召回率	0.87
精确率	0.72
F1-Score	0.79
AUC-ROC	0.94

召回率87%意味着每100笔套现交易，我们能抓到87笔。剩下的13笔，嗯，需要配合规则引擎做二次过滤。

4.5 知识体系总览

下面这张图，是我梳理的本章核心逻辑：