Обнаружение мошенничества с кредитными картами с использованием современных алгоритмов машинного обучения и глубокого обучения

Люди могут использовать кредитные карты для онлайн-транзакций, поскольку это эффективное и простое в использовании средство. С увеличением использования кредитных карт увеличилась и возможность злоупотреблений кредитными картами. Мошенничество с кредитными картами приводит к значительным финансовым потерям как для держателей кредитных карт, так и для финансовых компаний. В этом исследовании основной целью является обнаружение таких случаев мошенничества, включая доступность общедоступных данных, данные о дисбалансе высокого класса, изменения в характере мошенничества и высокий уровень ложных тревог. В соответствующей литературе представлены многие подходы, основанные на машинном обучении, для обнаружения кредитных карт, такие как метод экстремального обучения, дерево решений, случайный лес, машина опорных векторов, логистическая регрессия и XG Boost. Однако из-за низкой точности по-прежнему существует необходимость применения современных алгоритмов глубокого обучения для снижения потерь от мошенничества. Основное внимание уделялось применению для этой цели последних разработок алгоритмов глубокого обучения. Для получения эффективных результатов был проведен сравнительный анализ алгоритмов машинного обучения и глубокого обучения. Подробный эмпирический анализ проводится с использованием европейского эталонного набора данных по картам для выявления мошенничества. К набору данных впервые был применен алгоритм машинного обучения, что в некоторой степени повысило точность обнаружения мошенничества. Позже для повышения эффективности обнаружения мошенничества применяются три архитектуры, основанные на сверточной нейронной сети. Дальнейшее добавление слоев еще больше повысило точность обнаружения. Был проведен комплексный эмпирический анализ путем применения вариаций количества скрытых слоев, эпох и применения новейших моделей. Оценка исследовательской работы показывает достигнутые улучшенные результаты, такие как точность, показатель f1, прецизионность и кривые AUC, имеющие оптимизированные значения 99,9%, 85,71%, 93% и 98% соответственно. Предложенная модель превосходит современные алгоритмы машинного и глубокого обучения для решения проблем обнаружения кредитных карт.