Makine öğrenmesi yöntemleri ile çevrimiçi kredi kartı işlemlerinde Fraud analizi tahmini

Kredi kartları, dünya genelinde yaygın kullanımı ve sağlam altyapısı sayesinde hızla insanların günlük hayatlarına entegre olmuş ve güvenle kullanılan ödeme araçlarından biri haline gelmiştir. Ancak, kredi kartı sayılarının artması ve işlem hacminin hızla büyümesi, dolandırıcıları cezbetmiş ve haksız kazanç elde etme amacıyla çeşitli dolandırıcılık yöntemlerini ortaya çıkarmıştır. Günümüzde kredi kartı bilgilerine ulaşmanın kolaylaşması, kredi kartı dolandırıcılarının faaliyetlerini kolaylaştırmaktadır. Gelişen teknoloji ile hesap hareketleri zaman içinde analiz edilebilmekte ve kötü niyetli verilerin kullanımı izlenebilmektedir. Bu çalışmada, Kaggle veritabanından elde edilen Kredi Kartı Dolandırıcılık Teşhis veri seti kullanılarak bu çalışma, kredi kartı dolandırıcılığı tespiti için topluluk tabanlı XGBoost modeli ile diğer geleneksel makine öğrenmesi modellerini karşılaştırarak önemli bulgular ortaya koymaktadır. XGBoost, Random Forest ve CatBoost modellerinin, kesinlik, geri çağırma gibi performans ölçütleri üzerinde daha iyi performans sergilediği belirtilmektedir. Bu sonuçlar, finansal kurumların günlük operasyonlarında karşılaştıkları dolandırıcılık risklerini azaltma potansiyeline işaret etmektedir. Çalışmanın dikkate değer bir noktası, XGBoost, Random Forest ve CatBoost'un dengesiz veri setleriyle başa çıkma yeteneğinin vurgulanmasıdır. Geleneksel modellerin zayıf performans gösterdiği bu durumlarda, XGBoost, RandomForest ve CatBoost'un %99'a kadar tahmin doğruluğu sağladığı ve diğer modellere göre daha iyi bir performans sunduğu gözlemlenmektedir. Anahtar Kelimeler: Çok Katmanlı Sinir Ağları, Veri Madenciliği, Naive Bayes Yönetmi, Sahtekarlık tespiti.