Kredi kartı sahtekarlığı finansal kurumlar için kritik bir tehdit oluşturmaktadır. Literatürde veri dengesizliği, açıklanabilir yapay zekâ ve karşı-olgusal analiz bütünleşik ele alınmamaktadır; bu çalışma bu boşluğu gidermeyi amaçlamaktadır. 284.807 işlem içeren Avrupa kredi kartı veri seti (%0,172 sahtekarlık) üzerinde tabakalı örneklemeyle %80/20 eğitim-test ayrımı uygulanmıştır. Üç sınıflandırıcı (Lojistik Regresyon, Rastgele Orman, XGBoost) üç dengeleme stratejisiyle (orijinal, SMOTE, maliyet duyarlı) birleştirilen dokuz konfigürasyon, hatalı negatiflere öncelik veren F2 skoru üzerinden değerlendirilmiştir. XGBoost orijinal stratejiyle F2=0,8524 ve PR-AUC=0,8783 elde etmiş; SMOTE ve maliyet duyarlı stratejiler ortalama F2 açısından (0,7909) gerisinde kalmıştır. Çok katmanlı SHAP analizi V14 (|SHAP|=1,74) ve V4 (|SHAP|=1,72)’ü global, lokal ve etkileşim düzeyinde tutarlı biçimde birincil belirleyiciler olarak ortaya koymuştur. Karşı-olgusal analiz, yalnızca üç özelliğin (V14, V10, V4) kaydırılmasının fraud kararını tersine çevirdiğini göstermiştir. Bulgular, güçlü model seçiminin performansı ve açıklanabilirliği eş zamanlı karşılayabileceğine işaret etmektedir.
Gürdal et al. (Mon,) studied this question.