Ein Ansatz mit maschinellem Lernen zur Vorhersage von Kreditkartenbetrug

Kreditkartenbetrug hat erhebliche Auswirkungen auf die Finanzindustrie und stellt zunehmend ein wachsendes Problem dar. Maschinelles Lernen kann Vorurteile gegenüber legitimen Transaktionen minimieren und eine genaue Identifizierung von Betrug ermöglichen. Diese Studie untersucht maschinelle Lerntechniken zur Behandlung von Klassifikationsungleichgewichten in Datensätzen zur Erkennung von Kreditkartenbetrug, um wirtschaftliche Verluste zu reduzieren und gleichzeitig die Modellleistung zu verbessern. Die Ergebnisse zeigen, dass die logistische Regression anderen Klassifikatoren, einschließlich Support Vector Classifiers (SVC), K-Nearest Neighbor Classifiers (KNN) und Entscheidungsbäumen, überlegen ist und ein optimales Gleichgewicht zwischen Betrugserkennung und Minimierung von Fehlalarmen erreicht. Durch die Anwendung von Datenverarbeitungstechniken wie Merkmals-Skalierung und Ausgleich des Datensatzes zeigt das Modell eine effektive Erkennung betrügerischer Transaktionen, die inmitten einer großen Anzahl legitimer Transaktionen nur selten vorkommen. Darüber hinaus zeigen einfache neuronale Netze, die mit überabgetasteten Daten trainiert wurden, zwar höhere Rückrufraten, allerdings auf Kosten erhöhter Fehlalarme, was den Kompromiss zwischen Genauigkeit und Betrugserkennungsempfindlichkeit verdeutlicht. Diese Ergebnisse unterstreichen die Bedeutung der Wahl von Modellen, die sowohl effektiv Betrug erkennen als auch Störungen legitimer Transaktionen minimieren, und bieten wertvolle Einblicke für Finanzinstitute, die ihre Betrugserkennungssysteme verbessern möchten.