信用卡欺诈检测:使用KNN,LDA和线性回归进行高回忆的改进策略
1School of Cybersecurity, Korea University, Seoul 02841, Republic of Korea.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
本研究介绍了一种改进的信用卡欺诈检测算法,它将三种机器学习模型与条件逻辑相结合. 改进的方法显著提高了欺诈识别的准确性,优于单一模型方法.
科学领域:
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 电子商务和物联网 (IoT) 设备的兴起增加了对信用卡欺诈的全球关注.
- 准确有效地识别欺诈性交易对于金融安全至关重要.
研究的目的:
- 为高度敏感的信用卡欺诈检测提出一个改进的算法.
- 提高欺诈识别系统的准确性和召回性.
主要方法:
- 利用了三个机器学习模型:K-最近邻居,线性差异分析和线性回归.
- 应用条件语句 (IF/THEN) 和运算符 (>, <) 来完善模型输出.
- 使用拟议的混合战略提取的特征.
主要成果:
- 在四个不同的欺诈数据集中实现了1.0000,0.9701,1.0000和0.9362的高回忆率.
- 与单个机器学习模型相比,在回忆方面表现出优越的性能.
结论:
- 拟议的方法提供了一种更有效的方法来检测信用卡欺诈.
- 多个机器学习模型与条件逻辑的集成提高了检测灵敏度和准确性.


