ترکیب روش های تجمیعی داده کاوی برای کشف تراکنش های تقلب در کارت های اعتباری

کارت های اعتباری باعث سرعت بخشیدن و سهولت زندگی تمامی شهروندان و مشتریان بانک ها می شود. این امر موجب استفاده گسترده و روزافزون جهت پرداخت آسان پول از طریق تلفن همراه، اینترنت، دستگاه های خودپرداز و غیره می باشد. با وجود محبوبیت کارت های اعتباری، مشکلات امنیتی مختلف مانند تقلب برای آن وجود دارد. همان طور که روش های امنیتی بروز می شوند، متقلبان نیز روش های خود را بروز می کنند که این امر موجب نگرانی بانک ها و مشتریان آنها می شود. به همین دلیل محققان سعی کردند راه حل های مختلفی جهت تشخیص، پیش بینی و پیشگیری از تقلب در کارت های اعتباری ارایه دهند. یکی از روش ها روش داده کاوی و یادگیری ماشین است. یکی از با اهمیت ترین مسایل در این زمینه، دقت و کارایی است. در این پژوهش روش های Gradient Boosting که زیر مجموعه روش های تجمیعی و یادگیری ماشین هستند را بررسی کرده و با ترکیب روش ها نرخ خطا را کاهش و دقت تشخیص را بهبود می دهیم. بنابراین دو الگوریتم LightGBM و XGBoost را مقایسه کرده و سپس آنها را با استفاده از روش های تجمیعی میانگین گیری ساده و وزن دار ترکیب نمودیم و در نهایت مدل ها را بوسیله AUC و Recall وscore - F1 و  Precisionو Accuracy ارزیابی کردیم. مدل پیشنهادی پس از اعمال مهندسی ویژگی با استفاده از روش میانگین گیری وزن دار به ترتیب برای روش های ارزیابی مذکور به اعدادی معادل 08/95، 57/90، 35/89، 28/88 و 27/99 رسیده است. بر این اساس مهندسی ویژگی و میانگین گیری وزن دار تاثیر به سزایی در بهبود دقت پیش بینی و شناسایی داشتند.