机构名称：
¥ 1.0
1 al-mustaqbal大学，伊拉克巴比尔2计算机中心巴比伦大学，巴比尔，伊拉克3通信工程伊斯兰大学，黎巴嫩黎巴嫩4号，黎巴嫩4艾尔卡菲尔大学，伊拉克纳贾夫，伊拉克摘要。这项研究的动机源于确定与起诉电子金融犯罪有关的当代挑战。重点介绍了持续的努力来识别和解决信用卡欺诈和欺诈，因为金融业有许多信用卡欺诈问题。传统方法不再能够跟上追踪信用卡用户行为并检测可疑案例的现代方法。人工智能技术提供了有希望的解决方案，以快速检测和防止信用卡用户将来的欺诈。数据集受金融交易中的不平衡影响，本研究旨在使用对抗性算法技术来解决财务欺诈数据集的不平衡，并将它们与科学文献中最常用的方法进行比较。结果表明，允许多个研究范围的范围，包括对群体的功能，并在范围内保持良好的范围，并既一致性又一致，并且是一致的范围。帮助使数据集更接近金融市场和银行的实时数据。本研究提出了一个由三种机器学习算法组成的混合机器学习模型：决策树，逻辑回归和天真的贝叶斯算法，并计算出诸如准确性，特异性，精度和F1分数之类的性能指标。实验结果显示欺诈检测的准确性不同。使用SMOTE方法的模型测试记录的精度为98.1％，F评分为98.3％。另一方面，过采样和在抽样测试方法下显示相似的性能，两种方法的精度为94.3和95.3，F-评分分别为94.7和95.1。最后，GAN方法表现出色，获得了99.9％的测试分数和准确性，以及出色的精度，召回和F1分数。因此，我们得出结论，GAN方法能够平衡数据集，这反过来反映了模型在训练中的性能以及测试时预测的准确性。历史交易分析确定行为模式并适应不断发展的欺诈技术。这种方法可以增强交易安全性，并防止因欺诈而导致的潜在财务损失。此贡献使金融机构和公司可以主动打击欺诈活动。
使用机器学习和GAN技术改进信用卡欺诈检测
主要关键词
相关文件推荐
