Kredi kartı dolandırıcılığının tespitinde yeniden örnekleme tekniklerinin kullanımı
Use of resampling techniques in credit card fraud detection
- Tez No: 758157
- Danışmanlar: DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Gelişmiş ve gelişmekte olan çoğu ülkede elektronik alışveriş hareketleri için kredi kartı popüler ödeme metotlarından biri haline gelmiştir. Kredi kartı ile ödeme işlemleri daha kolay ve kullanışlı bir şekilde gerçekleşmektedir. Diğer taraftan yeni dolandırıcılıklar için açıklar doğmuş ve buna bağlı olarak dolandırıcılık oranları ve kayıpları artmıştır. Oluşan bu kayıpları önleyebilmek için yapılan bir alışveriş hareketinin kötü amaçlı olup olmadığının tespitinin hızlı bir şekilde yapılabilmesi önemlidir. Ancak dolandırıcılık tespiti modelini geliştirebilmek için gerekli olan kredi kartı dolandırıcılık veri kümeleri dengesizdir. Bu çalışmada yeniden örnekleme metotları uygulandıkları aşamalara göre incelenmiş ve dengesizlik problemi için sentetik azınlık örnekleme tekniği ve rastgele az örnekleme metotları kullanılmıştır. Bununla birlikte dolandırıcılık tespit sistemlerinin hızlı bir şekilde işlem yapabilmesi gerekmektedir. Bu nedenle işlem hızını artırabilmek için öznitelik seçimi metotları kullanılmaktadır. Lasso Regresyon, Rastgele Orman, Pearson Korelasyon ve Özyinelemeli Öznitelik Eleme öznitelik seçimi metotları bu çalışmada kullanılmıştır. Öte yandan son zamanlarda dolandırıcılık tespiti için Gradyan Artırma yöntemlerinin kullanımı yaygın hale gelmiştir. Bu çalışmada kullanılan Hafif Gradyan Artırma Makinesi ve Aşırı Gradyan Artırma ile Rastgele Orman, Lojistik Regresyon ve Destek Vektör Makineleri gibi gradyan artırma yöntemlerin başarı değerlendirmesinde Duyarlılık, Kesinlik, F1-Skor, İşlem Karakteristik Eğrisi Altındaki Alan, Kesinlik-Duyarlılık Eğrisi Altındaki Alan ve işlem zamanı metriklerinden yararlanılmıştır. Elde edilen sonuçlarda yeniden örnekleme metotlarının eğitim-test ayrımından önce kullanılmasının diğer aşamalara göre daha güvenilir sonuçlar yansıttığı görülmüştür. Bununla birlikte yeniden örnekleme metotlarının en çok Hafif Gradyan Artırma Makinesi metoduna katkısı olduğu görülmüştür. Öznitelik seçimi ile ise başarı değerlendirmesinde en az kayıpla işlem zamanı da en çok azalan metot Rastgele Orman olmuştur.
Özet (Çeviri)
Credit card has become one of the popular payment methods for electronic shopping transactions in many developed and developing countries. Payment with credit card is easier and more convenient. On the other hand, deficits have arisen for new fraud types so that fraud rates and losses have increased. To prevent these losses, it is important to quickly determine whether a transaction is fraud or not. However, the credit card fraud datasets required to develop the credit card fraud detection model are imbalanced. In this study, resampling methods were examined according to the stages in which they were applied, and SMOTE and RUS methods were used for the imbalance problem. Due to the fact that the fraud detection system needs to be able to detect quickly, feature selection methods are used to increase the processing speed. Lasso Regression, Random Forest (RF), Pearson Correlation and Recursive Feature Elimination methods were used for feature selection in this study. On the other hand, the use of GB methods for fraud detection has become widespread recently. Recall, Precision, F1-Score, Area Under Receiver Operator Characteristics Curve, Area Under Precision Recall Curve and computing time are used in the success evaluation of gradient boosting methods such as Light Gradient Boosting Machine (LGBM) and Extreme Gradient Boosting and other machine learning methods such as RF, Logistic Regression, and Support Vector Machines. In the results obtained, it was seen that the use of resampling methods before the training-test separation revailed more reliable results than the other stages. Additionally, it was also seen that the resampling methods contributed the most to the LGBM. Along with the feature selection, RF was the method that reduced computing time the most with the least loss in success evaluation.
Benzer Tezler
- Dijital kanal kullanım alışkanlıklarının dolandırıcılığın tespitinde kullanımı
Usage of channel usage habits of bank customers in detecting digital channel fraud
ERKUT BALOĞLU
Doktora
Türkçe
2021
Bankacılıkİstanbul Ticaret ÜniversitesiBankacılık Ana Bilim Dalı
DOÇ. DR. ELİF GÜNEREN GENÇ
- 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
2023
Bankacılıkİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER
- Kredi kartı sahteciliğinin yapay sinir ağları ile tespiti
Detection of credit card fraud with artificial neural networks
FERHAT YEŞİLYURT
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HASAN TEMURTAŞ
DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- Employing machine learning techniques and fuzzy membership for detecting fraud transactions in credit card
Başlık çevirisi yok
AHMED ABDULGHANI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Derin öğrenme modelleri kullanarak kredi kartı dolandırıcılık tespiti için karar destek sistemi gerçekleştirimi
Implementation of decision support system for credit card fraud detection using deep learning models
PEYMAN BAGHDADI
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SERDAR KORUKOĞLU