디지털 결제의 급속한 성장으로 전 세계적으로 신용 카드 사기가 증가하여 소비자, 상점 및 은행이 금전적 손실을 입고 있습니다. 본 논문은 신속하고 정확하게 신용 카드 사기를 탐지하기 위한 기계 학습 시스템을 구축하고 테스트하는 문제를 다룹니다. 본 연구는 2,145건의 사기가 포함된 Kaggle 데이터셋 555,719건의 결제를 사용합니다. SMOTE를 활용해 데이터를 준비하고 불균형한 군집을 보정한 후, 상세한 데이터 분석을 수행합니다. 분석을 통해 'shoppingₙet' 및 'groceryₚause' 지출이 늦은 밤(오후 10시~11시 59분) 사기 시점에 최고조에 달하며, 35-40세 카드 이용자에게 가장 큰 영향을 미친다는 주요 위험 신호가 드러났습니다. 또한 성별이 사기의 위험을 변화시키지 않음을 시사합니다. 본 연구의 주요 부분은 인공신경망(ANN), 결정트리(DT), 최근접 이웃(KNN), XGBoost 등 네 가지 기계 학습 방법을 사용, 조정 및 비교하는 것입니다. 모델의 성공은 정확도, 정밀도, 재현율, F1-점수, 혼동 행렬을 통해 확인되었습니다. 최근접 이웃(KNN) 방법이 98.39%의 테스트 정확도, 96.90%의 정밀도, 99.99%의 재현율, 98.42%의 F1-점수로 가장 우수한 성능을 보여 사기 거래와 실제 결제를 구별하는 데 최적임을 나타냈습니다. 이 연구는 위험한 결제 습관을 감지하고 매우 정확한 예측 모델을 구축함으로써 목표를 달성하였습니다. KNN이 실시간 사기 탐지 시스템에 적합한 선택임을 밝히며, 은행이 이 모델을 사용하고 위험 시간대에 이중 인증과 같은 향상된 보안 조치를 추가하며 소비자 교육을 강화할 것을 제안합니다. 여러 국가의 데이터를 통합하면 모델의 예측력과 일반화 가능성을 높일 수 있다고 제언합니다.
Adedokun 등(Tue,)이 이 질문을 연구하였습니다.