使用最先进的机器学习和深度学习算法进行信用卡欺诈检测

人们可以使用信用卡进行在线交易，因为它提供了一种高效且易于使用的设施。随着信用卡使用的增加，信用卡误用的可能性也随之增加。信用卡欺诈给信用卡持有者和金融公司带来了巨大的财务损失。本研究的主要目的是检测此类欺诈，包括公共数据的可获取性、高级不平衡数据、欺诈性质的变化和高误警报率。相关文献提出了许多基于机器学习的信用卡检测方法，如极限学习法、决策树、随机森林、支持向量机、逻辑回归和XG Boost。然而，由于准确性低，仍然需要应用最先进的深度学习算法以减少欺诈损失。主要重点是应用深度学习算法的最新发展来实现此目的。对机器学习和深度学习算法进行了比较分析，以寻找有效的结果。通过使用欧洲信用卡基准数据集进行详细的实证分析来检测欺诈。首先对数据集应用了一种机器学习算法，这在一定程度上提高了欺诈检测的准确性。随后，基于卷积神经网络应用了三种架构，以提高欺诈检测性能。进一步增加层数进一步提高了检测的准确性。通过对隐藏层数、训练周期和最新模型的变更进行实证分析。研究工作的评估显示了取得的改进结果，例如准确率、F1分数、精确度和AUC曲线具有优化值分别为99.9%、85.71%、93%和98%。所提出的模型在信用卡检测问题上优于最先进的机器学习和深度学习算法。此外，我们通过平衡数据并应用深度学习算法来实验，以最小化假阴性率。所提出的方法可以有效地应用于现实世界的信用卡欺诈检测。