相关实验视频
通过基于堆叠的混合机器学习方法来增强信用卡欺诈检测
Eyad Abdel Latif Marazqah Btoush1, Xujuan Zhou1, Raj Gururajan1,2
1School of Business, University of Southern Queensland, Brisbane, QLD, Australia.
PeerJ. Computer science
|September 24, 2025
概括
本研究引入了一种新的堆叠混合机器学习 (ML) 方法,用于检测信用卡欺诈. 先进的组合方法显著提高了在银行系统中识别欺诈交易的准确性.
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
- 金融技术 金融技术
背景情况:
- 由于技术进步,网络欺诈的复杂性正在增加.
- 传统的欺诈检测方法与不断发展的欺诈策略作斗争,导致效率低下和假阳性.
- 银行业在可靠地识别欺诈性信用卡交易方面面临重大挑战.
研究的目的:
- 开发一种创新的堆叠混合机器学习 (ML) 方法,用于增强信用卡欺诈检测.
- 通过整合各种ML模型来克服传统检测方法的局限性.
- 提高识别欺诈性金融交易的准确性和效率.
主要方法:
- 实施了一个堆叠集体框架,结合了决策树 (DT),随机森林 (RF),支持向量机 (SVM),XGBoost,CatBoost和后勤回归 (LR).
- 采用复杂的数据预处理技术,包括基于关联的特征选择和主要组件分析 (PCA) 以提高效率.
- 使用元模型来整合基准模型的预测,以获得更高的性能.
主要成果:
- 堆叠组合模型在信用卡交易数据集上实现了高F1分数88.14%的高F1.
- 与单个机器学习模型相比,表现出优异的预测性能.
- 有效平衡的精度和回忆力,用于强大的欺诈检测.
结论:
- 集成方法,特别是堆叠,对于实现强大可靠的网络欺诈检测至关重要.
- 拟议的堆叠混合ML方法显著提高了金融交易的安全性.
- 这种方法为银行业不断升级的信用卡欺诈挑战提供了有希望的解决方案.