Loading...
机构名称:
¥ 1.0

摘要:该研究主要集中于使用机器学习方法来识别银行数据中的欺诈活动。这是金融部门的关键问题,在金融部门,检测和防止欺诈性交易至关重要。为了改善欺诈检测,该研究介绍了班级体重量大超参数。这些参数有助于模型更有效地区分合法和欺诈交易,从而增强了欺诈检测系统的准确性。这项研究从战略上采用了三种流行的机器学习算法:Catboost,LightGBM和XGBoost。每个算法都具有独特的优势,它们的综合用途旨在提高欺诈检测方法的整体性能。深度学习技术被整合到研究中以微调超参数。这种集成增强了欺诈检测系统的性能和适应性,使其在识别不断发展的欺诈策略方面更有效。该项目使用现实世界数据进行彻底评估。这些评估表明,在评估各种标准时,LightGBM和XGBoost的联合使用优于现有方法。这表明与其他方法相比,所提出的方法在检测欺诈活动方面更有效。包括,已经实现了一个堆叠分类器,将RandomForest和LightGBM分类器的预测与特定的设置相结合。使用梯度BoostingClassifier作为最终估计器,通过利用各种模型的优势来提高预测准确性。索引术语 - 贝叶斯优化,数据挖掘,深度学习,整体学习,超级参数,不平衡数据,机器学习。

使用机器学习技术与...

使用机器学习技术与...PDF文件第1页

使用机器学习技术与...PDF文件第2页

使用机器学习技术与...PDF文件第3页

使用机器学习技术与...PDF文件第4页

使用机器学习技术与...PDF文件第5页

相关文件推荐

2021 年
¥2.0
2025 年
¥1.0
2023 年
¥1.0
2022 年
¥1.0
2025 年
¥2.0
2020 年
¥1.0
2024 年
¥14.0
2025 年
¥1.0
2021 年
¥4.0
2024 年
¥1.0
2024 年
¥1.0
2021 年
¥1.0
2021 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2024 年
¥1.0
2021 年
¥1.0
2024 年
¥2.0
2024 年
¥1.0
2024 年
¥1.0