Un Marco Nuevo para la Detección de Fraude con Tarjetas de Crédito

Desde hace algunos años, ha habido un aumento significativo en las transacciones con tarjetas de crédito que están desempeñando un papel vital. Por lo tanto, esto conduce a pérdidas financieras significativas en la actualidad. Es una tarea muy desafiante procesar la gran cantidad de datos, lo que hace que los conjuntos de datos sean desequilibrados y complejos. Básicamente, hay dos problemas principales al manejar datos. Se analizan con transacciones fraudulentas y no fraudulentas, y no contienen datos relevantes, apropiados y correlacionados que afectan su rendimiento de predicción de manera negativa. A continuación, ha involucrado el interés del aprendizaje automático (ML), que consiste en la detección de fraude como tema principal. Ha sido abordado por varios métodos de ML como Regresión Logística (LR), Máquinas de Vectores de Soporte (SVM), Árboles de Decisión (DT), Bosque Aleatorio (RF) y K-Vecinos Más Cercanos (KNN). Sin embargo, los métodos anteriores no pueden cumplir con el excelente rendimiento requerido para encontrar y predecir patrones de fraude anormales. En este proyecto, la principal contribución es proporcionar un marco para la detección de fraude (FFD). En primer lugar, tenemos que superar el problema de los datos no equilibrados; el marco utiliza una técnica de sub-muestreo. Luego, tenemos que seleccionar las características relevantes aplicando el mecanismo de selección de características (FS). A continuación, las redes neuronales construyen principalmente el modelo de ML y tiene como objetivo manejar la capacidad; se propone una versión modificada del algoritmo de Optimización por Enjambre de Partículas (PSO), el PSO de Aprendizaje Autónomo Polinómico (PSLPSO), para los hiperparámetros C y σ. Finalmente, la eficacia del marco se muestra en los resultados experimentales en un conjunto de datos de transacciones de tarjetas de crédito reales.