Employing machine learning techniques and fuzzy membership for detecting fraud transactions in credit card

Kredi kartı dolandırıcılığı, günümüzün finans sektöründe giderek yaygınlaşan bir sorun haline geliyor. Son birkaç yılda dolandırıcılıkla ilgili faaliyetlerin sayısında endişe verici bir artış gözlemlendi ve bu da çok sayıda kuruluş, işletme ve devlet kurumu için önemli mali kayıplara neden oldu. Rakamların gelecekte artacağı tahmin edildiğinden, bu disiplindeki birçok araştırmacı, çabalarını, giderek daha popüler hale gelen gelişmiş makine öğrenimi algoritmalarını kullanarak erkenden hileli davranışları belirlemeye odakladı. Ancak, dolandırıcılık davranışlarının bir denemeden diğerine değişmesi ve bu alandaki mevcut veri setlerinin çok az olması gibi birçok nedenden dolayı kredi kartı dolandırıcılığının tespiti kolay değildir. Bu tezde, XGBoost algoritmasına ek olarak, Lojistik regresyon (LR), NaiveBayes (NB) ve Lineer Diskriminant Analizi (LDA) gibi bazı makine öğrenmesi yöntemlerine dayalı hileli işlemleri tespit etmek için bir sistem önerilmiştir. Önerilen sistemin modellerini oluşturmak için kullanılan teknikler, iki farklı veri kümesi temelinde eğitilmiş ve değerlendirilmiştir. İlk veri seti Avrupa Kart Sahipleri, ikinci veri seti ise Yapı Kredi şirketi tarafından sağlanan Türkiye veri seti idi. Bu veri kümeleri büyük bir dengesizlik probleminden muzdariptir. Bu nedenle, bu sorunu çözmek için SMOTE kullandık. Sistem modellerinin etkinliği .çeşitli metrikler, özellikle de karışıklık matrisi, doğruluk, F1 skoru, hatırlama, kesinlik ve ayrıca AUC kullanılarak ölçülür. Ayrıca sistemin verimliliğini artırmak için bulanık üyelik fonksiyonu veri setine uyarlanmıştır. Nihai sonuçlar, XGBoost'un yüksek verimliliğini gösterdi.