机器学习模型和用于早期检测的应用
Orlando Zapata-Cortes1, Martin Darío Arango-Serna2, Julian Andres Zapata-Cortes3
1Instituto Tecnológico Metropolitano, Medellín 050034, Colombia.
Sensors (Basel, Switzerland)
|July 27, 2024
概括
机器学习模型 (MLM) 提供了跨学科异常的强大早期检测 (ED). 对于欺诈检测,MLM的准确度超过90%,可以快速识别可疑活动并防止财务损失.
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
- 人工智能的人工智能
背景情况:
- 早期发现异常对于及时决策和减轻负面影响至关重要.
- 机器学习 (ML) 为开发异常检测系统提供了强大的工具.
- 本次审查重点关注ED的ML模型,特别是在欺诈检测应用程序中.
研究的目的:
- 对用于早期异常检测的ML模型进行文献审查.
- 分析这些模型在多学科背景下如何运作,特别关注欺诈检测.
- 将ML模型分为单基模型 (SBM) 和堆叠组合模型 (SEM).
主要方法:
- 关于ED治疗ML的多学科研究的文献综述.
- 将ML模型分为SBM和SEM的分类.
- 对各种ML模型报告的准确度指标的分析.
主要成果:
- 多种ML模型,包括后勤回归,SVM,随机森林和XGBoost,对ED有效.
- 在一般ED任务中,SBM的准确度超过80%,而SEM的准确度超过90%.
- 在欺诈检测方面,多媒体营销总是报告准确率超过90%.
结论:
- 机器学习模型提供了一种强大而准确的方法来识别和分类异常.
- 多媒体营销在欺诈中早期发现异常方面非常有效,高效地处理大型数据集.
- 在欺诈检测中应用MLM有助于通过快速检测可疑活动来防止财务损失.
