Comparison of machine learning and deep learning methods for fraud detection
Dolandırıcılık tespiti konusunda makine öğrenmesi ve derin öğrenme metodlarının karşılaştırılması
- Tez No: 880356
- Danışmanlar: DOÇ. DR. DIONYSIS GOULARAS
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Günümüzde, kredi kartı işlemleri ve çevrimiçi ödeme yöntemleri dahil dijital ödeme yöntemlerindeki artış, finansal işlemlerin kolaylığını artırırken, paralel olarak dolandırıcılık faaliyetlerinde ciddi bir artışa neden olmaktadır. Bu durum finansal güvenilirliği ve müşteri güvenini ciddi şekilde tehdit etmekte ve dolandırıcılık faaliyetlerinin hızlı bir şekilde tespit edilip engellenmesinin önemini vurgulamaktadır. Dolandırıcılık faaliyetlerinin karmaşık ve hızla gelişen doğası nedeniyle, bu faaliyetleri hızla tespitca tespit etmek için yeni ve gelişmiş çözümler gerekmektedir. Bu alanda en önemli çözümler makine öğrenmesi ve derin öğrenme modelleridir. Çalışmamızda üç veri kümesi kullanılmıştır: gerçek dünya Avrupa Kart Sahipleri veriseti, sentetik BAF veriseti ve karmaşık, gerçek dünya IEEE/CIS veriseti. Her veri seti, üç farklı makine öğrenimi modeli ve tablo verileri ile çalışacak şekilde uyarlanmış evrişim modelleri de dahil olmak üzere altı farklı derin öğrenme modeli kullanılarak sınıf ağırlığı, fazla örnekleme ve herhangi bir dengesizlik olmadan üç farklı formda çalıştırıldı. Performans verileri Alıcı Çalışma Karakteristiği Eğrisi Altındaki Alan (ROC-AUC), Dengeli Doğruluk, Hassasiyet-Geri Çağırma Eğrisi Altındaki Alan (PR-AUC) ve Matthews Korelasyon Katsayısı (MCC) metrikleri kullanılarak ölçüldü ve sonuçların değerlendirmeleri Dengeli Doğruluk metriği üzerinden yapıldı. Çalışmamız şu ana dek kredi kartı fraud tespiti konusunda yapılmış en kapsamlı çalışmalardan biri olarak öne çıkmaktadır. Bulgularımız, dolandırıcılık tespiti için geçerli olup, dengesiz veri kümelerinin yaygın olduğu hastalık teşhisi, siber güvenlik, sigortacılık ve görüntü tanıma gibi sektörler için önemli sonuçlar taşımaktadır. Çalışmamızda, farklı veri tipleri ile eğitilen çeşitli modeller kullanılarak, gelecekteki araştırmalar için doğru verilerin doğru modelle kullanımına ışık tutabilecek sonuçlar elde edilmiştir.
Özet (Çeviri)
Nowadays, the increase in digital payment methods, including credit card transactions and online payment methods, increases the convenience of financial transactions and, in parallel, causes a serious increase in fraudulent activities. This seriously threatens financial reliability and customer confidence and highlights the importance of quickly detecting and preventing fraudulent activities. Due to the complex and quickly developing nature of fraudulent activities, new and advanced solutions are required to detect these activities quickly. Machine learning and deep learning models are the most important solutions in this field. In our study, three datasets have been used: a real-world European Cardholders dataset, a synthetic BAF dataset, and a complex, real-world IEEE/CIS dataset. Each dataset was run with two different imbalance handling approaches, class weight and oversampling, and without any imbalance handling technique, across three different machine learning models and six different deep learning models, including the models based on convolutional models and adapted to work with tabular data. Performance data were measured using the Receiver Operating Characteristic Area Under Curve (ROC-AUC), Balanced Accuracy, Precision-Recall Area Under Curve (PR-AUC), and Matthews Correlation Coefficient (MCC) metrics. Our study stands out as one of the most comprehensive works to date on credit card fraud detection. Our findings are relevant for fraud detection and have significant implications for disease diagnosis, cybersecurity, insurance, and image recognition, where imbalanced datasets are also prevalent. In our study, various models were trained with different types of data, and results that can shed light on the use of the correct data with the right model for future research have been obtained.
Benzer Tezler
- Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- Konutlarda enerji tüketimi kestirimi için derin öğrenme ve makine öğrenme yöntemlerinin karşılaştırılması
Comparison of deep learning and machine learning methods for estimating energy consumption in houses
EROL YAVUZ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Üniversitesi-CerrahpaşaElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYSEL ERSOY YILMAZ
- Bitki hastalıklarının tespitinde geleneksel makine öğrenmesi ve derin öğrenme yöntemlerinin başarım karşılaştırması
Performance comparison of traditional machine learning and deep learning methods in plant disease detection
MUSA ÇETİNKAYA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT ÇİĞDEM TURHAL
- Comparison of artificial neural networks and deep learning methods for predicting export prices of agricultural products
Tarım ürünlerinin ihracat fiyatlarının tahminlenmesinde yapay sinir ağları ve derin öğrenme yöntemlerinin karşılaştırılması
HALİT AHMET AKDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. YALÇIN ÇEBİ