Umgang mit Klassenungleichgewicht bei Kreditkartenbetrug durch Resampling-Methoden

Kreditkartenbasierte Online-Zahlungen haben stark zugenommen, was die Finanzorganisationen zwingt, ihre Betrugserkennungssysteme zu implementieren und kontinuierlich zu verbessern. Allerdings ist der Kreditkartenbetrugsdatensatz stark unausgewogen und verschiedene Arten von Fehlklassifikationsfehlern können unterschiedliche Kosten verursachen. Es ist daher unerlässlich, diese Fehler bis zu einem gewissen Grad zu kontrollieren, um Kompromisse einzugehen. Klassifikationstechniken sind vielversprechende Lösungen zur Erkennung von Betrugs- und Nichtbetrugstransaktionen. Leider funktionieren Klassifikationstechniken unter gewissen Bedingungen nicht gut, wenn es um große Unterschiede in Minderheits- und Mehrheitsfällen geht. Daher wurden in dieser Studie Resampling-Methoden, Random Under Sampling, Random Over Sampling und Synthetic Minority Oversampling Technique, im Kreditkartendatensatz angewendet, um die seltenen Ereignisse im Datensatz zu überwinden. Anschließend wurden die drei resampelten Datensätze mit Klassifikationstechniken klassifiziert. Die Leistungen wurden anhand ihrer Sensitivität, Spezifität, Genauigkeit, Präzision, Fläche unter der Kurve (AUC) und Fehlerquote gemessen. Die Ergebnisse zeigten, dass durch das Resampling des Datensatzes die Modelle praktikabler wurden, eine bessere Leistung zeigten und statistisch überlegen waren.