ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Machine Learning and Resamplin...>الوصف

Machine Learning and Resampling Techniques for Enhancing Credit Card Fraud Detection in Imbalanced Dataset

العنوان بلغة أخرى: تقنيات التعلم الآلي وإعادة تشكيلها لتعزيز الاحتيال في بطاقات الائتمان في مجموعات البيانات غير المتوازنة
المصدر: المجلة الفلسطينية للتكنولوجيا والعلوم التطبيقية
الناشر: جامعة القدس المفتوحة
المؤلف الرئيسي: أبو زر، يوسف صالح يوسف (مؤلف)
المؤلف الرئيسي (الإنجليزية): Abu Zir, Yousef Saleh
مؤلفين آخرين: أبو زر، صالح (م. مشارك)
المجلد/العدد: ع7
محكمة: نعم
الدولة: فلسطين
التاريخ الميلادي: 2024
الشهر: يناير
الصفحات: 1 - 14
DOI: 10.33977/2106-000-007-001
ISSN: 2520-7431
رقم MD: 1438463
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: science
مواضيع:
التعلم الآلي | الاحتيال المالي | بطاقات الائتمان | البيانات غير المتوازنة | المعاملات المالية
كلمات المؤلف المفتاحية:
كشف الاحتيال على بطاقات الائتمان | البيانات غير المتوازنة | التعلم الآلي | تقنيات إعادة العينات | تقنية SMOTE | النموذج الاساسي | الانحدار اللوجستي | شجرة القرا | Credit Card Fraud Detection | Imbalanced Data | Machine Learning | Resampling Techniques | SMOTE Technique | Baseline Model | Logistic Regression | Decision Tree
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون
حفظ في:
المستخلص: الأهداف: يتناول هذا البحث التحدي المتمثل في الكشف عن الاحتيال في بطاقات الائتمان، والذي يعقده البيانات غير المتوازنة للغاية حيث يكون جزء صغير فقط من معاملات الاحتيال. البحث يناقش أساليب التعلم الآلي، بما في ذلك النموذج الأساسي والانحدار اللوجستي وشجرة القرار، جنبا إلى جنب مع تقنيات إعادة التشكيل للتعامل مع البيانات غير المتوازنة في اكتشاف الاحتيال. الطرق: تستخدم الدراسة منهجا منظما يتضمن مجموعة بيانات، وخوارزميات التعلم الآلي، وتقنيات إعادة العينات Oversampling، Undersampling، SMOTE لمعالجة عدم التوازن الطبقي في اكتشاف الاحتيال على بطاقات الائتمان. ويهدف إلى تحسين الدقة من خلال مقارنة النماذج وتقييم تأثير طرق إعادة العينات على أداء اكتشاف الاحتيال. النتائج: تشير النتائج إلى أن تقنية أخذ العينات الزائدة للأقلية الاصطناعية (SMOTE) تتفوق على الطرق التقليدية، حيث حققت دقة قدرها 99.89%. يتفوق نموذج شجرة القرار بشكل أكبر، مع دقة تبلغ 99.92%، واستدعاء أعلى (78.79%)، ودقة (98.11%). تؤكد هذه النتائج على إمكانات تقنيات التعلم الآلي المتخصصة في تحسين اكتشاف الاحتيال. في الختام، يؤكد هذا البحث على أهمية أساليب إعادة المعاينة في معالجة البيانات غير المتوازنة في الكشف عن الاحتيال في بطاقات الائتمان. يقدم نموذج شجرة القرار وتقنية SMOTE حلولا عملية لتطبيقات العالم الحقيقي. توفر هذه الدراسة رؤى لتعزيز اكتشاف الاحتيال وتسلط الضوء على دور التعلم الآلي المتقدم في مكافحة الاحتيال على بطاقات الائتمان بشكل فعال في ملخص موجز مكون من 200 كلمة.

Objectives: This research addresses the challenge of creditcard fraud detection, complicated by highly imbalanced data where only a small fraction of transactions are fraudulent. It evaluates machine learning methods, including the Baseline Model, Logistic Regression, and Decision Tree, in conjunction with resampling techniques for handling imbalanced data in fraud detection. Methods: The study utilizes a structured approach involving a dataset, machine learning algorithms, and resampling techniques (Oversampling, Undersampling, SMOTE) to address class imbalance in credit card fraud detection. It aims to improve accuracy by comparing models and assessing the impact of resampling methods on fraud detection performance. Results: The results indicate that the Synthetic Minority Over-sampling Technique (SMOTE) outperforms traditional methods, achieving an accuracy of 99.89%. The Decision Tree model excels further, with 99.92% accuracy, higher recall (78.79%), and precision (98.11%). These findings underscore the potential of specialized machine learning techniques in improving fraud detection. In conclusion, this research emphasizes the importance of resampling methods in addressing imbalanced data in credit card fraud detection. The Decision Tree model and SMOTE technique offer practical solutions for real-world applications. This study provides insights for enhancing fraud detection and highlights the role of advanced machine learning in combating credit card fraud effectively in a concise 200-word summary.
ISSN: 2520-7431

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.