互联网在过去十年中经历了指数级的增长。随后，电子商务，滑动和薪水等服务的流行和突出率以及在线账单支付增加了。随后，犯罪分子加强了妥协妥协信用卡交易的努力。如果消费者被收取他们未购买的商品的费用，信用卡公司必须具备确定欺诈性交易的能力。数据科学和机器学习对于解决这种性质的问题是必不可少的；它们的意义不能被夸大。越来越多的客户要求企业提供更多便利设施。这种便利的实例是进行在线产品购买的能力。这项研究的目的是说明机器学习在构建信用卡欺诈检测数据集中的应用。信用卡欺诈检测问题涉及将成功的信用卡交易中的数据合并到先前交易的模型中。可以通过采用这些方法来确定新交易的合法性。信用卡欺诈的流行率随着电子支付系统和电子商务的进步而增加。必须实施检测信用卡欺诈的程序。在使用机器学习技术进行信用卡欺诈检测时，在选择欺诈交易的特征时要谨慎行事至关重要。结果表明所提出的模型的表现优于常规模型。本研究提出了一个相关的信用卡欺诈检测功能子集模型（RFSM-CFD），以准确检测信用卡欺诈。在本研究中提出了基于机器学习的信用卡欺诈检测系统的功能选择。这项研究在功能子集生成中的精度为98.8％，信用卡欺诈检测的准确性为98.5％。与最新模型相比，提出的欺诈检测模型表明了较高的准确性。关键字：信用卡，欺诈检测，机器学习，功能集，子集模型，交易