تركيب روش هاي تجميعي داده كاوي براي كشف تراكنش هاي تقلب در كارت هاي اعتباري

كارت هاي اعتباري باعث سرعت بخشيدن و سهولت زندگي تمامي شهروندان و مشتريان بانك ها مي شود. اين امر موجب استفاده گسترده و روزافزون جهت پرداخت آسان پول از طريق تلفن همراه، اينترنت، دستگاههاي خودپرداز و غيره مي باشد. با وجود محبوبيت كارت هاي اعتباري، مشكلات امنيتي مختلف مانند تقلب براي آن وجود دارد. همان طور كه روش هاي امنيتي بروز مي شوند، متقلبان نيز روش هاي خود را بروز مي كنند كه اين امر موجب نگراني بانك ها و مشتريان آنها مي شود. به همين دليل محققان سعي كردند راه حل هاي مختلفي جهت تشخيص، پيش بيني و پيشگيري از تقلب در كارت هاي اعتباري ارائه دهند. يكي از روش ها روش داده كاوي و يادگيري ماشين است. يكي از با اهميت ترين مسائل در اين زمينه، دقت و كارايي است. در اين پژوهش روش هاي Gradient Boosting كه زير مجموعه روش هاي تجميعي و يادگيري ماشين هستند را بررسي كرده و با تركيب روش ها نرخ خطا را كاهش و دقت تشخيص را بهبود مي دهيم. بنابراين دو الگوريتم LightGBM و XGBoost را مقايسه كرده و سپس آنها را با استفاده از روش هاي تجميعي ميانگين گيري ساده و وزن دار تركيب نموديم و در نهايت مدل ها را بوسيله AUC و Recall وscore - F1 و  Precisionو Accuracy ارزيابي كرديم. مدل پيشنهادي پس از اعمال مهندسي ويژگي با استفاده از روش ميانگين گيري وزن دار به ترتيب براي روش هاي ارزيابي مذكور به اعدادي معادل 95.08، 90.57، 89.35، 88.28 و 99.27 رسيده است. بر اين اساس مهندسي ويژگي و ميانگين گيري وزن دار تاثير به سزايي در بهبود دقت پيش بيني و شناسايي داشتند.