Comprehensive Analysis of Resampling Methods on Ensemble Learning for Credit Card Fraud Detection
Author:
AY Ali Kemal1, YOLAÇAN Esra2
Affiliation:
1. AFYON KOCATEPE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ 2. ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ
Abstract
Kredi kartı aracılığıyla hızlı ve kolay satın alma işlemleri sahtecilik işlemlerinin artmasına neden olmuştur. Son yıllarda makine öğrenmesi yöntemlerinin kullanımı sahtecilik tespiti işlemlerinde önemli bir pay oluşturmuştur. Sahtecilik tespiti işlemlerinde karşılaşılan yaygın problemlerden birisi veri kümelerinin dengesiz olmasıdır. Dengesizlik problemi için kullanılan yeniden örnekleme metotları kullanıldıkları aşamalar bakımından çalışmadan çalışmaya farklılık gösterebilmektedir. Bu çalışma başlıca topluluk öğrenmesi yöntemleri olmak üzere çeşitli makine öğrenmesi yöntemlerini kullanarak yeniden örnekleme metotlarının kullanıldıkları aşamalara göre yarattığı etkileri karşılaştırmaktadır. Karşılaştırma sonucunda, çapraz doğrulama metodu aracılığıyla yeniden örnekleme metotlarının eğitim ve test veri kümelerine ayrı ayrı yapılmasının en doğru sonucu verdiği gösterilmiştir. Bununla birlikte bu çalışmada kullanılan XGB, LGBM, RF, FNN ve diğer metotların metrik değerlerine dayanan bir başka kıyaslamada ise XGB ve FNN metotları %99 duyarlılık, kesinlik ve doğruluk ile en yüksek değerlere ulaşmışlardır.
Publisher
Afyon Kocatepe Universitesi Fen Ve Muhendislik Bilimleri Dergisi
Subject
General Engineering
Reference34 articles.
1. Alam, T.M., Shaukat, K., Hameed, I.A., Luo, S., Sarwar, M.U., Shabbir, S., Li, J. and Khushi, M., 2020. An investigation of credit card default prediction in the imbalanced datasets. IEEE Access, 8, 201173-201198. 2. Aung, M.H., Seluka, P.T., Fuata, J.T.R., Tikoisuva, M.J., Cabealawa, M.S. and Nand, R., 2020. Random Forest Classifier for Detecting Credit Card Fraud based on Performance Metrics. In 2020 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE) (1-6). 3. Bej, S., Davtyan, N., Wolfien, M., Nassar, M. and Wolkenhauer, O., 2021. LoRAS: an oversampling approach for imbalanced datasets. Machine Learning, 110(2), 279-301. 4. bin Alias, M.S.A., Ibrahim, N.B. and Zin, Z.B.M., 2021. Improved sampling data Workflow using Smtmk to increase the classification accuracy of imbalanced dataset. European Journal of Molecular & Clinical Medicine, 8(02), 2021. 5. Breiman, L., 2001. Random forests. Machine learning, 45(1), 5-32.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献
|
|