کشف تقلب در داده های بانکی

کلاهبرداری در بیانیه مالی مشکل سختی هم برای ناظران دولتی و هم برای عموم مردم بوده است، بنابراین روش های مختلف داده کاوی برای شناسایی تقلب در بیانیه مالی به منظور ارائه پشتیبانی تصمیم گیری برای سهامداران مورد استفاده قرار گرفته اند. اما استفاده از کارت های اعتباری به عنوان یک پیشرفت گسترده در فن آوری تجارت به وجود آمده و رشد کرده است. کارت اعتباری به یک روش بسیار مهم پرداخت تبدیل شده است، بنابراین با افزایش معاملات با کارت اعتباری، کلاهبرداری از کارت اعتباری نیز امروزه مکرر انجام می شود. بنابراین، یک سیستم تشخیص کلاهبرداری برای حفظ قابلیت اطمینان در سیستم پرداخت ضروری است. معیار اطمینان در معاملات برای صاحبان کارت اعتباری مهم است به طوری که آن ها بتوانند برای خدمات و محصولات که در اینترنت ارائه شده است با خیال راحت پرداخت الکترونیکی انجام دهند. در یک پست بانک بسیار از معاملات به طور همزمان انجام می شود، بنابراین یک سیستم تشخیص کلاهبرداری باید بین معامله مشروع، کلاهبرداری مشکوک و معامله نامشروع تمایز قائل شود. بسیاری از تکینک های مدرن و جدید که در شبکه عصبی، هوش مصنوعی، شبکه بیزی، داده کاوی، سیستم ایمنی مصنوعی،الگوریتم سیستم نزدیک ترین همسایه K، درخت تصمیم، اساس منطق فازی، بردار پشتیبانی ماشین، ماشین یادگیری، برنامه نویسی ژنتیک و غیره بر این اساس وجود دارد، که در تشخیص کارت های اعتباری مختلف در معاملات جعلی توسعه یافته اند. هدف این مطالعه ارائه یک مدل کشف کلاهبرداری مالی بهینه با ترکیب انتخاب ویژگی و طبقه بندی فراگیری ماشینی است. این مطالعه نشان داد که جنگل تصادفی از چهار روش دیگر بهت عمل کرده است. در مورد دو روش انتخاب ویژگی ، Xgboost عملکرد بهتری داشت. و طبق تحقیق ما، ۲ یا ۵ متغیر برای مدل های این مقاله قابل قبول تر هستند.