使用不平衡信用卡欺诈数据集的机器学习分类技术的比较案例研究-研究论文

如今，信用卡的总交易量不断增加，欺诈交易案件也呈上升趋势，每年给金融机构和银行业造成数十亿美元的损失。 因此，需要能够有效且高效地识别和防止此类欺诈交易的稳健、可靠的机制。 一些数据挖掘技术有助于检测数据属性之间的模式（将交易分类为欺诈性或非欺诈性）并导致对交易类别的概率预测。 在这项研究中，多种机器学习分类技术应用于由信用卡交易组成的高度不平衡的数据集。 就保护支付交易而言，“芯片和密码”被认为是当今可信赖的机制之一，但即使这种机制也不能阻止虚拟销售点节点或电子邮件订单上的虚假信用卡使用，称为在线“信用卡破产” . 据观察，SVM、随机森林和 J48 决策树分类器产生了非常高的准确率，但建议不要在对存在类不平衡的此类数据集进行分类时加以利用。 在思考这些方法的同时，本次调查对破产的各种分类方法及其亮点和限制进行了全面的概述。