فرهاد نیک نفس - دانشجوی کارشناسی ارشد هوش مصنوعی و رباتیک، دانشگاه ایوانکی، تهران، ایران
محمد ربیعی - استادیار گروه کامپیوتر دانشگاه ایوان کی

در مطالعه پیشرو هدف بالا بردن دقت و صحت دسته بندی در مسائل کشف تقلب تراکنش های بانکی با استفاده از روش های ترکیبی است. به این منظور از سه نوع روش ترکیبی AdaBoost ، Stacking و Bagging استفاده خواهیم شد. روش پیشنهادی و مدل ترکیبی پیاده سازی شده Bagging وزن دار نامیده که در این روش، به هر مدل پایه، یک وزن مخصوص داده می شود که این وزن ها با استفاده از الگوریتم های فرا ابتکاری (مثل الگوریتم ژنتیک) پیدا خواهند شد. برای مدل های پایه، از شش روشمعمول در داده کاوی استفاده می شود که شامل درخت تصمیم، ماشین بردار پشتیبان، بیز ساده، نزدیک ترین همسایگی و شبکه عصبی پرسپترون چندلایه است. در نتایج به دست آمده می توان مشاهده کرد که استفاده از روش های ترکیبی باعث بهبود عملکرد در تشخیص بهتر تراکنش های جعلی خواهد شد و روش Bagging دقت های بهتری را نسبت به روش Stacking به ما می دهد. از طرفی روش پیشنهادی Bagging وزن دار دقت های بهتری را نسبت به تمامی روش های ترکیبی دیگر داشته است و این موضوع به لطف وزن هایی است که در ترکیب مدل های پایه استفاده کرده ایم. این بهبود عملکرد، بستگی به نوع مدل پایه، نوع ترکیب و همچنین نوع دیتاست خواهد داشت. به عنوان مثال در دیتاست German Credit Data زمانی که از ترکیب مدل های پایه شبکه عصبی چندلایه استفاده شده است دقت دسته بندی از حدود 73 % به حدود 77 % ارتقا پیدا کرده است و یا روی دیتاست Credit Card Fraud Detection دقت دسته بندی ترکیب مدل های پایه شبکه عصبی چندلایه از 99.912% به 99.918% ارتقا پیدا می کند.

کشف تقلب؛ دسته بندی؛ Bagging ؛ AdaBoost ؛ Stacking