Geri Dön

Employing machine learning techniques and fuzzy membership for detecting fraud transactions in credit card

Başlık çevirisi mevcut değil.

  1. Tez No: 746056
  2. Yazar: AHMED ABDULGHANI
  3. Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Kredi kartı dolandırıcılığı, günümüzün finans sektöründe giderek yaygınlaşan bir sorun haline geliyor. Son birkaç yılda dolandırıcılıkla ilgili faaliyetlerin sayısında endişe verici bir artış gözlemlendi ve bu da çok sayıda kuruluş, işletme ve devlet kurumu için önemli mali kayıplara neden oldu. Rakamların gelecekte artacağı tahmin edildiğinden, bu disiplindeki birçok araştırmacı, çabalarını, giderek daha popüler hale gelen gelişmiş makine öğrenimi algoritmalarını kullanarak erkenden hileli davranışları belirlemeye odakladı. Ancak, dolandırıcılık davranışlarının bir denemeden diğerine değişmesi ve bu alandaki mevcut veri setlerinin çok az olması gibi birçok nedenden dolayı kredi kartı dolandırıcılığının tespiti kolay değildir. Bu tezde, XGBoost algoritmasına ek olarak, Lojistik regresyon (LR), NaiveBayes (NB) ve Lineer Diskriminant Analizi (LDA) gibi bazı makine öğrenmesi yöntemlerine dayalı hileli işlemleri tespit etmek için bir sistem önerilmiştir. Önerilen sistemin modellerini oluşturmak için kullanılan teknikler, iki farklı veri kümesi temelinde eğitilmiş ve değerlendirilmiştir. İlk veri seti Avrupa Kart Sahipleri, ikinci veri seti ise Yapı Kredi şirketi tarafından sağlanan Türkiye veri seti idi. Bu veri kümeleri büyük bir dengesizlik probleminden muzdariptir. Bu nedenle, bu sorunu çözmek için SMOTE kullandık. Sistem modellerinin etkinliği .çeşitli metrikler, özellikle de karışıklık matrisi, doğruluk, F1 skoru, hatırlama, kesinlik ve ayrıca AUC kullanılarak ölçülür. Ayrıca sistemin verimliliğini artırmak için bulanık üyelik fonksiyonu veri setine uyarlanmıştır. Nihai sonuçlar, XGBoost'un yüksek verimliliğini gösterdi.

Özet (Çeviri)

Credit card fraud is becoming an increasingly prevalent problem in today's financial sector. An alarming rise in the number of fraud-related activities has been observed in the past few years, which has resulted in significant financial losses for numerous organizations, businesses, and government bodies. Because the numbers are projected to grow in the future, many researchers in this discipline have centered their efforts around identifying fraudulent behavior early on using advanced machine learning algorithms, which are becoming increasingly popular. However, the identification of credit card fraud is not easy for many reasons, including the fact that the fraudulent behaviors vary from one attempt to the next and the available datasets in this field are very few. In this thesis, a system is proposed to detect fraudulent transactions based on some methods of machine learning such like Logistic regression (LR), NaiveBayes (NB), as well as the Linear Discriminant Analysis(LDA), in addition to XGBoost algorithm. the techniques used to generate the models of the suggested system, they were trained and evaluated on the basis of two different datasets. Where the first dataset was the European Cardholders, and the second dataset was the Turkish dataset provided by the Yapi Kredi company. These datasets suffer from a big imbalance problem. Therefore, we used SMOTE to fix this issue. The system models' effectiveness was.measured employing a variety of metrics, specifically the confusion matrix, accuracy, F1score, recall, precision as well as AUC. Also, the fuzzy membership function was adopted to the dataset in order to raise the system's efficiency. The final results showed the high efficiency of XGBoost.

Benzer Tezler

  1. Design and deployment of deep learning based fuzzy logicsystems

    Derin öğrenme tabanlı bulanık sistemlerin geliştirilmesi ve uygulanması

    AYKUT BEKE

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. Elektrik makinaları kontrolünde bulanık mantığın uygulanması

    Fuzzy logic applications in control of electrical machines

    NESLİHAN KEPEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. M. EMİN TACER

  3. Network anomaly detection in cloud and IoT using fuzzy logic

    Başlık çevirisi yok

    SUSAN ISMAEL ABDULWAHHAB AL-HADEETHI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GALİP CANSEVER

  4. Numerical and analytical study of some descent algorithms to solving fuzzy optimi̇zation problems

    Başlık çevirisi yok

    MOHAMMED MSALLAM MUSTAFA MUSTAFA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    MatematikÇankırı Karatekin Üniversitesi

    Matematik Ana Bilim Dalı

    DOÇ. DR. GONCA DURMAZ GÜNGÖR

    PROF. DR. KHALİL KHUDHUR ABBO

  5. Parçacık sürü optimizasyonu ile yapay sinir ağlarından sınıflandırma kuralı çıkarımı

    Extracting classification rules from artificial neural networks with the particle swarm optimization algorithm

    YILMAZ DELİCE

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    İşletmeErciyes Üniversitesi

    İşletme Bölümü

    YRD. DOÇ. DR. LALE ÖZBAKIR