Makine öğrenmesi yöntemleri ile çevrimiçi kredi kartı işlemlerinde Fraud analizi tahmini
Fraud analysis prediction in online credit card transactions using machine learning methods
- Tez No: 878200
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Çok Katmanlı Sinir Ağları, Veri Madenciliği, Naive Bayes Yönetmi, Sahtekarlık tespiti, Multilayer Neural Networks, Data Mining, Naive Bayes Classifier, Fraud Detection
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 86
Özet
Kredi kartları, dünya genelinde yaygın kullanımı ve sağlam altyapısı sayesinde hızla insanların günlük hayatlarına entegre olmuş ve güvenle kullanılan ödeme araçlarından biri haline gelmiştir. Ancak, kredi kartı sayılarının artması ve işlem hacminin hızla büyümesi, dolandırıcıları cezbetmiş ve haksız kazanç elde etme amacıyla çeşitli dolandırıcılık yöntemlerini ortaya çıkarmıştır. Günümüzde kredi kartı bilgilerine ulaşmanın kolaylaşması, kredi kartı dolandırıcılarının faaliyetlerini kolaylaştırmaktadır. Gelişen teknoloji ile hesap hareketleri zaman içinde analiz edilebilmekte ve kötü niyetli verilerin kullanımı izlenebilmektedir. Bu çalışmada, Kaggle veritabanından elde edilen Kredi Kartı Dolandırıcılık Teşhis veri seti kullanılarak bu çalışma, kredi kartı dolandırıcılığı tespiti için topluluk tabanlı XGBoost modeli ile diğer geleneksel makine öğrenmesi modellerini karşılaştırarak önemli bulgular ortaya koymaktadır. XGBoost, Random Forest ve CatBoost modellerinin, kesinlik, geri çağırma gibi performans ölçütleri üzerinde daha iyi performans sergilediği belirtilmektedir. Bu sonuçlar, finansal kurumların günlük operasyonlarında karşılaştıkları dolandırıcılık risklerini azaltma potansiyeline işaret etmektedir. Çalışmanın dikkate değer bir noktası, XGBoost, Random Forest ve CatBoost'un dengesiz veri setleriyle başa çıkma yeteneğinin vurgulanmasıdır. Geleneksel modellerin zayıf performans gösterdiği bu durumlarda, XGBoost, RandomForest ve CatBoost'un %99'a kadar tahmin doğruluğu sağladığı ve diğer modellere göre daha iyi bir performans sunduğu gözlemlenmektedir.
Özet (Çeviri)
Credit cards have rapidly integrated into people's daily lives and become one of the securely used payment methods worldwide, thanks to their widespread usage and robust infrastructure. However, the increasing number of credit cards and the rapid growth in transaction volume have attracted fraudsters, leading to the emergence of various fraudulent methods aimed at gaining unjust profits. The ease of accessing credit card information today facilitates the activities of credit card fraudsters. With advancing technology, account transactions can be analyzed over time, enabling the tracking of the use of malicious data. In this study, utilizing the Credit Card Fraud Detection dataset obtained from Kaggle, significant findings are presented by comparing a community-based XGBoost model with other traditional machine learning models for detecting credit card fraud. It is noted that XGBoost, Random Forest, and CatBoost models perform better on performance metrics such as precision and recall. These results indicate the potential of reducing fraud risks encountered in the daily operations of financial institutions. A noteworthy point of the study is the emphasis on the ability of XGBoost, Random Forest, and CatBoost to handle imbalanced datasets. In cases where traditional models exhibit poor performance, XGBoost, RandomForest, and CatBoost are reported to achieve up to 99% prediction accuracy and provide better performance compared to other models.
Benzer Tezler
- Comparison of machine learning and deep learning methods for fraud detection
Dolandırıcılık tespiti konusunda makine öğrenmesi ve derin öğrenme metodlarının karşılaştırılması
CAN AKKAYA
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiYeditepe ÜniversitesiVeri Bilimi Ana Bilim Dalı
DOÇ. DR. DIONYSIS GOULARAS
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Determinant maximization criterion as a normative principle for biologically plausible credit assignment
Biyolojik olarak makul kredi tahsisi için normatif bir ilke olarak determinant maksimizasyon kriteri
BARIŞCAN BOZKURT
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiKoç ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER TUNGA ERDOĞAN
- Detecting the anomalies on number of website sessions with machine learning algorithms
Makine öğrenmesi yöntemleri ile internet sitesi oturum sayılarında anomali tespiti
FURKAN ALVER
Yüksek Lisans
İngilizce
2024
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERHAN ÇENE
- Makine öğrenmesi ile özellik bazlı fikir madenciliği gerçekleştiren öğrenci proje ve yorum sistemi
Student project and comment system performing feature based opinionmining with machine learning
ERDİ GENÇ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ULAŞ