مدل تشخیص تقلب در کارت اعتباری پیشرفته با استفاده از یادگیری ماشینی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 2325

تعداد کلمات : 8900

مجله : electronics

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
30 می 2022
دسته بندی
تعداد بازدیدها
1327 بازدید
32,000 تومان

عنوان فارسی مقاله:مدل تشخیص تقلب در کارت اعتباری پیشرفته با استفاده از یادگیری ماشینی

 چکیده

 همه‌گیری COVID-19 تحرک افراد را تا حدی محدود کرده است، و خرید کالاها و خدمات را به صورت آفلاین دشوار کرده است، که منجر به ایجاد فرهنگ افزایش وابستگی به خدمات آنلاین شده است. یکی از مسائل مهم در استفاده از کارت‌های اعتباری، کلاهبرداری است که یک چالش جدی در حوزه تراکنش‌های آنلاین است. در نتیجه، نیاز زیادی به توسعه بهترین رویکرد ممکن برای استفاده از یادگیری ماشینی وجود دارد تا از تقریباً تمام تراکنش‌های جعلی کارت اعتباری جلوگیری شود. این مقاله در مجموع ۶۶ مدل یادگیری ماشین را بر اساس دو مرحله ارزیابی بررسی می‌کند. یک مجموعه داده کشف تقلب کارت اعتباری واقعی از دارندگان کارت اروپایی در هر مدل به همراه اعتبارسنجی متقاطع K-fold طبقه‌بندی شده استفاده می‌شود. در مرحله اول، ۹ الگوریتم یادگیری ماشین برای شناسایی تراکنش‌های تقلبی آزمایش می‌شوند. بهترین سه الگوریتم برای استفاده مجدد در مرحله دوم، با ۱۹ تکنیک نمونه‌گیری مجدد برای هر یک از سه الگوریتم برتر، نامزد می‌شوند. از بین ۳۳۰ ارزش متریک ارزیابی که نزدیک به یک ماه برای به دست آوردن آنها به طول انجامید، تکنیک کم نمونه برداری همه K-نزدیک‌ترین همسایگان (AllKNN) همراه با CatBoost (AllKNN-CatBoost) به عنوان بهترین مدل پیشنهادی در نظر گرفته می‌شود. بر این اساس، مدل AllKNN-CatBoost با آثار مرتبط مقایسه شده است. نتایج نشان می‌دهد که مدل پیشنهادی از مدل‌های قبلی با مقدار AUC 97.94%، مقدار صحت ۹۵٫۹۱% و مقدار F1-Score 87.40% عملکرد بهتری دارد(تقلب در کارت اعتباری پیشرفته).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Enhanced Credit Card Fraud Detection Model Using Machine Learning

Abstract

 The COVID-19 pandemic has limited people’s mobility to a certain extent, making it difficult to purchase goods and services offline, which has led the creation of a culture of increased dependence on online services. One of the crucial issues with using credit cards is fraud, which is a serious challenge in the realm of online transactions. Consequently, there is a huge need to develop the best approach possible to using machine learning in order to prevent almost all fraudulent credit card transactions. This paper studies a total of 66 machine learning models based on two stages of evaluation. A real-world credit card fraud detection dataset of European cardholders is used in each model along with stratified K-fold cross-validation. In the first stage, nine machine learning algorithms are tested to detect fraudulent transactions. The best three algorithms are nominated to be used again in the second stage, with 19 resampling techniques used with each one of the best three algorithms. Out of 330 evaluation metric values that took nearly one month to obtain, the All K-Nearest Neighbors (AllKNN) undersampling technique along with CatBoost (AllKNN-CatBoost) is considered to be the best proposed model. Accordingly, the AllKNN-CatBoost model is compared with related works. The results indicate that the proposed model outperforms previous models with an AUC value of 97.94%, a Recall value of 95.91%, and an F1-Score value of 87.40%.