Geri Dön

Kredi kartı dolandırıcılık tespitinde optuna tabanlı hiperparametre optimizasyonu ile derin öğrenme modellerinin karşılaştırılması

Comparison of deep learning models with optuna-based hyperparameter optimization for credit card fraud detection

PDF İndir

  1. Tez No: 1023641
  2. Yazar: ELVIN MAMMADLI
  3. Danışmanlar: DOÇ. DR. TUNCAY ÖZCAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İşletme, Business Administration
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Ana Bilim Dalı
  12. Bilim Dalı: İşletme Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Finansal sistemlerin dijitalleşmesi ve elektronik ödeme yöntemlerinin yaygınlaşmasıyla birlikte, kredi kartı dolandırıcılığı bireysel kullanıcılar, finans kurumları ve düzenleyici otoriteler için ciddi bir risk unsuru hâline gelmiştir. Geleneksel kural tabanlı sistemlerin değişen dolandırıcılık örüntüleri karşısında yetersiz kalması, veriden öğrenme yeteneğine sahip yapay zekâ tabanlı çözümleri zorunlu kılmıştır. Bu tez çalışmasında, Kaggle üzerinde yayımlanan ve yaygın olarak kullanılan Avrupa Kredi Kartı İşlemleri veri seti üzerinde, makine öğrenmesi ve derin öğrenme tabanlı dolandırıcılık tespit modelleri geliştirilmiş ve karşılaştırılmıştır. Çalışma kapsamında ilk olarak K-En yakın komşu (KNN), Naive Bayes ve Lojistik regresyon gibi klasik makine öğrenmesi yöntemleri test edilmiş; bu yöntemlerin yüksek dengesizlik altında Kesinlik değerlerinin %6–45 aralığında kaldığı ve pratik olarak yetersiz olduğu gösterilmiştir. Ardından üç farklı derin öğrenme mimarisi ele alınmıştır: tek boyutlu Evrişimli Sinir Ağı (1D-CNN), Uzun-Kısa Süreli Bellek (LSTM) ve CNN-LSTM hibrit modeli. Veri setinin %0,17 oranında dolandırıcılık örneği içeren ileri derecede dengesiz yapısı, model eğitiminde önemli bir zorluk oluşturmuştur. Bu probleme yönelik olarak SMOTE algoritmasıyla sentetik veri üretimi, sınıf ağırlıklandırma ({0:1, 1:10}) ve karar eşiği optimizasyonu gibi tamamlayıcı stratejiler bütünleşik bir çerçeve içinde uygulanmıştır. Modellerin performansını artırmak amacıyla Optuna çerçevesi kullanılarak Bayes tabanlı hiperparametre optimizasyonu gerçekleştirilmiştir. Her model için 50 deneme (trial) yürütülmüş ve hedef metrik olarak Kesinlik belirlenmiştir. Optimizasyon sürecinde filtre sayısı, LSTM birim sayısı, seyreltme oranı, öğrenme hızı ve yığın boyutu gibi kritik parametreler için en uygun kombinasyonlar tespit edilmiştir. eşik ayarlama aşamasında karar eşiği 0,50 yerine, üç modelde de toplam maliyeti minimize eden 0,98 değerine çekilmiş, böylece yanlış alarm sayısı önemli ölçüde azaltılmıştır. Deneysel bulgular, Optuna tabanlı optimizasyonun özellikle LSTM ve CNN-LSTM modellerinde belirgin iyileşmeler sağladığını ortaya koymaktadır. LSTM modelinin Kesinlik değeri %44'ten %60'a, CNN-LSTM hibrit modelinin Kesinlik değeri ise %55'ten %76'ya yükselmiştir. Varsayılan parametrelerle dahi %69 Kesinlik değerine ulaşan CNN modelinde ise optimizasyon, performansı benzer seviyede korumuştur. F1-skoru değerlerinde de tutarlı iyileşmeler gözlemlenmiş; LSTM modelinde F1- skoru değeri %58'den %70'e, CNN-LSTM hibrit modelinde ise %68'den %80'e yükselmiştir. AUC-ROC değerleri üç modelde de 0,94 üzerinde gerçekleşmiştir. xxii Üç model karşılaştırıldığında, en yüksek Kesinlik (%76), en yüksek F1-skoru (%80), en yüksek PR-AUC (0,8506) ve en düşük tahmini maliyet (8.800 €) değerlerini CNN-LSTM hibrit modeli sağlamıştır. CNN modeli en yüksek AUC-ROC değerini (0,9575) sunarken, LSTM modeli zamansal bağımlılıkları yakalamada tamamlayıcı bir rol oynamıştır. Bulgular, dolandırıcılık tespiti gibi sınıf dengesizliğinin yoğun olduğu problemlerde, hiperparametre optimizasyonu, sınıf ağırlıklandırma ve karar eşiği ayarlamasının birlikte uygulanmasının; yalnızca sentetik örnekleme veya tek başına model seçiminden çok daha etkili sonuçlar verdiğini göstermektedir. Çalışma kapsamında ayrıca, yapısal (tablo hâlindeki) verilerde güçlü referans yöntemler olarak kabul edilen iki ağaç tabanlı topluluk modeli olan Rastgele Orman ve XGBoost, aynı veri ve ön işleme koşulları altında Optuna ile optimize edilerek değerlendirilmiştir. XGBoost %96 Kesinlik ve %85 F1-skoru ile tüm modeller arasında en yüksek kesinliğe ulaşmış, yalnızca 3 yanlış alarm üretmiştir; Rastgele Orman ise 0,9821 ile en yüksek AUC-ROC değerini sağlamıştır. Bununla birlikte, her iki topluluk modeli de derin öğrenme modellerine kıyasla daha fazla dolandırıcılık vakası kaçırmış (sırasıyla 23 ve 20 yanlış negatif); benimsenen maliyet çerçevesinde en düşük toplam maliyeti (8.800 €) CNN-LSTM hibrit modeli korumuştur (XGBoost: 11.650 €, Rastgele Orman: 10.800 €). Bu bulgular, ağaç tabanlı toplulukların yapısal verilerdeki gücünü teyit ederken, kesinlik odaklı topluluklar ile duyarlılık odaklı derin mimariler arasındaki tercihin kurumun maliyet yapısına bağlı olduğunu göstermektedir. Sonuç olarak, bu tez; klasik makine öğrenmesi algoritmalarının ileri düzey sınıf dengesizliği altındaki yetersizliğini deneysel olarak ortaya koyarak derin öğrenme yaklaşımlarının üstünlüğünü göstermiş; Optuna ile yürütülen sistematik hiperparametre optimizasyonunun bu modellerin performansını önemli ölçüde artırdığını kanıtlamıştır. Önerilen yaklaşım, bankacılık sistemlerinde uygulanabilir bir çerçeve sunarak hem akademik literatüre hem de finans sektörüne pratik katkı sağlamaktadır.

Özet (Çeviri)

With the rapid digitalization of financial systems and the widespread adoption of electronic payment instruments, credit card transactions have become a fundamental component of global economic activity. According to the 2023 Nilson Report, worldwide losses caused by credit card fraud are expected to exceed 49 billion USD by 2027. This sharp upward trajectory poses a significant threat to consumers and financial institutions alike, and underscores the growing need for robust and adaptive fraud detection systems. Traditional rule-based mechanisms, which rely on fixed thresholds, blacklists, and expert-defined heuristics, struggle to keep pace with the constantly evolving tactics employed by fraudsters. As a result, data-driven artificial intelligence approaches that learn directly from transaction histories have emerged as the dominant paradigm in modern fraud detection research. Machine learning (ML) and, more recently, deep learning (DL) techniques have offered substantial improvements over traditional methods by automatically discovering complex patterns in large and high-dimensional financial datasets. Convolutional Neural Networks (CNN) are capable of capturing local temporal patterns in transaction sequences, while Long Short-Term Memory (LSTM) networks excel at modelling long-term dependencies in user behaviour. Hybrid CNN-LSTM architectures combine these complementary strengths and have been shown to outperform either component when used alone. Nevertheless, the performance of deep learning models is highly sensitive to hyperparameter selection. Manually tuning parameters such as the number of filters, dropout rate, learning rate, and batch size is both labour-intensive and error-prone, motivating the use of systematic optimisation frameworks such as Optuna, which leverages Bayesian optimisation through the Tree-structured Parzen Estimator algorithm.

Benzer Tezler

  1. Tez No

    835659

    Kredi karti dolandiricilik tespitinde makine öğrenme algoritmalarinin karşilaştirmali analizi

    Comparative analysis of machine learning algorithms for credit card fraud detection

    KEMAL ÇİLBURUNOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik Üniversitesi

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER

  2. Tez No

    951553

    Improving fraud detection accuracy with smote and gan based augmentation: A case study in credit card transactions

    Kredi kartı işlemlerinde smote ve gan tabanlı çoğaltma ile dolandırıcılık tespit doğruluğunu artırma: Bir vaka çalışması

    MERİAME GADDARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İstinye Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUHAMMED DAVUD

  3. Tez No

    687459

    Çekişmeli üretici ağlar ile sentetik veri üretiminin kredi kartı sahtekarlığı tespitine etkisi

    The effect of synthetic data generation with generative adversarial networks on credit card fraud detection

    ENSAR BAYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MİNE ELİF KARSLIGİL YAVUZ

  4. Tez No

    844885

    Credit card fraud detection with autoencoders, one-class SVMs and isolation forests

    Otokodlayıcılar, tek sınıflı destek vektör makineleri ve izolasyon ormanları ile kredi kartı dolandırıcılığı tespiti

    ÖZDEMİR ÖZKUM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    İstatistikOrta Doğu Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. ÖZLEM İLK DAĞ

  5. Tez No

    674131

    Türk ceza hukukunda banka veya kredi kartlarının kötüye kullanılması suçu

    The misuse of debit or credit cards in Turkish criminal law

    EDA TAŞTEMÜR

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    DOÇ. DR. EMİNE EYLEM AKSOY RETORNAZ

Geri Dön