机构名称：
¥ 1.0
摘要随着技术高级和电子商务服务的扩展，信用卡已成为最受欢迎的付款方式之一，导致银行交易量增加。此外，欺诈的显着增加需要高银行交易成本。因此，检测欺诈活动已成为一个引人入胜的话题。在这项研究中，我们考虑使用类重量超级参数来控制欺诈和合法交易的重量。我们特别使用贝叶斯优化来优化超参数，同时保留诸如不平衡数据之类的实际问题。，我们提出重量调整作为不平衡数据的预先过程，以及Catboost和XGBoost，以通过考虑投票机制来提高LightGBM方法的性能。最后，为了进一步提高绩效，我们使用深度学习来微调超参数，尤其是我们提出的重量调节器。我们对现实世界数据进行一些实验，以测试提出的方法。为了更好地覆盖不平衡的数据集，除了标准ROC-AUC外，我们还使用召回精度指标。使用5倍的交叉验证方法分别评估了Catboost，LightGBM和XGBoost。此外，大多数投票集合学习方法用于评估组合算法的性能。LightGBM和XGBoost达到了ROC-AUC D 0.95，精度为0.79，召回0.80，F1得分0.79和MCC 0.79的最佳水平标准。这对我们将其比较的尖端方法进行了重大改进。通过使用深度学习和贝叶斯优化方法来调整超参数，我们还符合ROC-AUC D 0.94，精度D 0.80，召回D 0.82，F1分数D 0.81和MCC D 0.81。
通过机器学习中的银行数据中的欺诈检测...
主要关键词
相关文件推荐
