تشخیص تراکنشهای مشکوک در کارتهای اعتباری با استفاده از الگوریتم Extra Trees Classifier
محورهای موضوعی : دانش مالی تحلیل اوراق بهادارعرفان عابدینی 1 , محمود همت فر 2 *
1 - داﻧﺸﺠﻮی کارشناسی ارشد، گروه ﻣﺪﯾﺮﯾﺖ مالی، داﻧﺸﮑﺪه ﻣﺪﯾﺮﯾﺖ و اﻗﺘﺼﺎد، واﺣﺪ ﻋﻠﻮم و ﺗﺤﻘﯿﻘﺎت، داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ، تهران، ایران
2 - دانشیار، گروه حسابداری، واحد بروجرد، داﻧﺸﮕﺎه آزاد اﺳﻼﻣﯽ، بروجرد، ایران (ﻧﻮﯾﺴﻨﺪه ﻣﺴﺌﻮل)
کلید واژه: یادگیری ماشین, یادگیری ماشین در تشخیص تقلب, تقلب کارت اعتباری, تقلب آنلاین, کلاهبرداری کارت اعتباری.,
چکیده مقاله :
در سالهای گذشته، با توسعه تجارت الکترونیک، کارتهای اعتباری به طور گسترده تری در تراکنشها به دلایل مختلف از جمله سهولت کارایی مورد استفاده قرار گرفته اند. تقلب و تراکنش های غیرمجاز کارت های اعتباری به دلیل افزایش استفاده از آنها در حال تبدیل شدن به مسئلهای رایج و مهم است. بنابراین، مسئولیت بزرگی بر عهده مؤسسات مالی است که مکانیزم موجود خود را بهروز کنند تا از این اقدامات غیرمجاز جلوگیری کنند. عدم وجود یک الگوی مشخص و همچنین عدم توازن در تعداد تراکنش های مجاز و غیرمجاز، توسعه مدل و ساخت سیستم های تشخیص تقلب را با مشکل مواجه کرده است. هدف اصلی این مطالعه، ایجاد یک راهکار مناسب، دقیق و سریع برای تشخیص تقلب در کارت های اعتباری مبتنی بر یادگیری ماشین است. مدل پیشنهادی در این مقاله، شامل استفاده از روش SMOTE برای مدیریت دادههای نامتوزان و الگوریتم Extra Trees Classifier برای شناسایی تراکنش غیرمجاز است. همچنین معیارهای مختلف بررسی دقت و کارایی نشان از عملکرد موثر مدل پیشنهادی میباشد.
In recent years, with the development of e-commerce, credit cards have been widely used in transactions for various reasons, including the ease and efficiency they provide. Fraud and unauthorized transactions with credit cards have become a common and significant problem due to the increased use of credit cards. Therefore, financial institutions bear a significant responsibility to update their existing mechanisms to prevent such unauthorized actions. The lack of a specific pattern and an imbalance in the number of authorized and unauthorized transactions have posed challenges in developing fraud detection models and systems. The main objective of this study is to create a suitable, accurate, and fast solution for fraud detection in credit cards based on machine learning. The proposed model in this article includes the use of the SMOTE method to handle imbalanced data and the Extra Trees Classifier algorithm to identify unauthorized transactions. Various metrics examining accuracy and performance indicate the effective performance of the proposed model.