Developing an artificial intelligence based system to detect fraud in credit card transactions

Bu tez, kredi kartı dolandırıcılığını tespit etmek için makine öğrenimi ve derin öğrenmeyi kullanır. bu Worldline-ULB Machine Learning Group veri seti, büyük veri madenciliği ve dolandırıcılık için kullanıldı tespit etme. 284.807 işlemin 492'si hileli. İşlemlerin sadece %0,172'si lehine, ciddi bir dengesizlik yaratıyor. Tahmin algoritması çoğu örneği destekler önemli ölçüde çarpık sınıf dağılımı verileri beslendiğinde. Bu nedenle, genellikle sahtekarlığı gizler işlemler. Birden çok yeniden örnekleme yöntemini içeren veri düzeyinde bir strateji kullanılır, rastgele örnekleme dahil, Tomek bağlantılarının kaldırılması, rastgele yüksek örnekleme, Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve hibrit SMOTE-Tomek bağlantılarının kaldırılması Bu sorunu çözmek için strateji. Sınıf orantısızlığını, torbalamayı ve artırmayı çözmek için algoritmalar kullanılır. Optimum sınıflandırıcıyı bulmak birkaç deney gerektirdi. bu önerilen sistem lojistik regresyonu, destek vektör makinesini, naif bölmeleri karşılaştırır sınıflandırıcı, karar ağacı, rastgele orman, XGBoost, değiştirilmiş XGBoost, KNN ve çok katmanlı Algılayıcı. Bu çalışmalarda birçok eğitim özelliği ve sınıf dağılımı kullanılmıştır. Sınıf eğitim setlerinin dağıtım tasarımı, tutarsızlıklar nedeniyle dikkatlice düşünülmelidir Farklı deneme kümelerinden oluşturulan sınıflandırıcı değerlendirmelerinde eğitim ve test verileri arasında. Bu değerlendirmeye TN ve FN oranları dahil edildi. Rastgele orman en güçlü gibi görünüyor model, %99,957 doğruluk, 0,875 F1 puanı, 0,857 geri çağırma, 0,893 kesinlik ve 0,98 ROC EAA. XGBoost modeli gelişir, ancak çoğu ölçüm zarar görür. MLP model doğruluğu ve ROC AUC, F1 skoru, hatırlama veya hassasiyetten bağımsız olarak mükemmeldir.