机构名称：
¥ 1.0
在线欺诈是严重的犯罪，为人们和金融机构造成了巨大的财务损失。在数十亿个DOL-LARS中每年损失，发现和停止这些欺诈行动已成为一个关键问题。在识别这些动作方面以高精度率实施机器学习算法是解决此问题的有效策略。不幸的是，互联网交易欺诈是一个受欢迎且脆弱的目标。电子商务和其他在线平台的增长扩大了在线支付选择的可用性，从而增加了欺诈的危险。因此，使用机器学习技术来检测和分析在线进行交易中的欺诈行为有可能大大降低这种发展中的趋势。这项研究的目的是为欺诈检测而设计的监督机器学习模型。它根据交易类型分析了先前的交易数据，将交易分为各个类别。然后对多个分类器进行培训和评估以确保准确性，分类器的评分最高是预测欺诈的最成功方法之一。解决方案。该研究使用在线付款交易数据集解决了不平衡数据的问题，大多数交易是非伪装的。该研究通过（SMOTE）衡量数据集来解决此问题，这是合成少数民族过度采样的方法。此外，使用高参数调整来改善随机森林分类器的性能。为建立一个更平衡的数据集来培训分类器，并将其命中了少数类别的合成示例。的机器学习模型来确定欺诈性交易。进行了比较研究以评估效率并选择最佳选择。关键字：异常检测，机器学习，回归，分类，Smote。
金融交易中的异常检测（...
主要关键词
相关文件推荐
