Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug

Techniken des maschinellen Lernens und des Deep Learning (DL) haben vielversprechende Ergebnisse bei der Erkennung betrügerischer Aktivitäten gezeigt. In dieser Arbeit schlagen wir Ansätze zur Erkennung von Kreditkartenbetrug vor, die überwachte und nicht überwachte Lerntechniken kombinieren. Wir wenden Feature-Engineering-Techniken an, um relevante Merkmale aus dem Datensatz für Kreditkartentransaktionen zu extrahieren, gefolgt von Modellen zur Erkennung von Anomalien, die überwachte ML-, semi-supervised ML- und DL-Techniken kombinieren. Wir analysieren den Datensatz mit verschiedenen Parametern und Methoden. Unsere Studie über verschiedene ML- und DL-Methoden zur Erkennung betrügerischer Transaktionen umfasst künstliche neuronale Netze (ANN), XGBoost, CatBoost, Adaboost, Gradient Boosting, Random Forest, Entscheidungsbaum, K-Means Clustering, LightBGM, logistische Regression, logistische Regression mit unterabgetasteten Daten, Naive Bayes achieves, SVC achieves, Isolation Forest und Local Outlier Factor. Wir evaluieren unseren Ansatz anhand eines realen Kreditkarten-Transaktionsdatensatzes namens Creditcard.csv aus dem Kaggle-Datensatz.

Autorentext

DR. Khondekar Lutful Hassan trabalha como professor assistente na Universidade Aliah. Publicou 1 livro e 20 artigos em várias revistas internacionais. O seu interesse de investigação em Aprendizagem Automática, Aprendizagem Profunda, WSN, MANETO Sr. Samrat Karmakar concluiu o Mestrado em Informática e Engenharia na Universidade Aliah, na Índia.