使用随机森林和SMOTE优化信用卡欺诈检测

科学领域:

• 金融技术 金融技术
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 信用卡欺诈是银行业日益关注的问题,导致重大财务损失.
• 现有的研究往往侧重于传统的机器学习 (ML) 模型,不太重视用于欺诈检测的深度学习 (DL) 技术.
• 越来越多的信用卡使用导致违约率上升,需要先进的检测方法.

研究的目的:

• 开发和评估基于机器学习的系统,用于检测欺诈性信用卡交易.
• 为了比较深度学习 (DL) 模型与传统的ML模型 (决策树,Adaboost) 的有效性,用于预测信用卡违约.
• 确定关键的DL参数,以提高信用卡违约预测的准确性.

主要方法:

• 使用公开可用的,高度不平衡的信用卡交易数据集 (欺诈性交易<0.2%).
• 雇员合成少数群体过量采样技术 (SMOTE) 解决阶级不平衡问题.
• 评估了各种分类算法,包括决策树 (DT),Adaboost,人工神经网络 (ANN),物流回归和随机森林,以及超参数调整和探索性数据分析 (EDA).

主要成果:

• 随机森林模型在检测欺诈性交易方面表现出卓越的表现,达到99.5%的准确性和高回忆分数.
• 对于信用卡违约预测,Adaboost和决策树 (DT) 模型的准确度最高,达到82%,超过了人工神经网络 (ANN) 模型 (78%).
• 该研究确定了特定的DL参数,这些参数有助于提高信用卡违约预测的准确性.

结论:

• 随机森林算法是非常有效的实时信用卡欺诈检测,因为它的高准确性和回忆.
• 虽然Adaboost和DT显示出对默认预测的承诺,但需要对DL参数优化进行进一步的研究,以增强默认检测.
• 开发的机器学习系统可以部署来加强金融系统中的欺诈预防机制.