摘要:信用卡在当今的数字经济中起着至关重要的作用,并且它们的用法最近增长了,伴随着信用卡欺诈的相应增加。机器学习(ML)算法已用于信用卡欺诈检测。但是,信用卡持有人的动态购物模式和类不平衡问题使ML分类器难以实现最佳性能。为了解决这个问题,本文提出了一种可靠的深入学习方法,该方法由长期记忆(LSTM)和门控复发单元(GRU)神经网络组成,作为基础学习者在堆叠集合框架中,并以多层次的perceptron(MLP)作为元学习者。同时,使用混合综合少数族裔过采样技术和编辑的最近的邻居(Smote-enn)方法来平衡数据集中的类别分布。实验结果表明,将拟议的深度学习合奏与Smote-enn方法相结合,分别达到了1.000和0.997的敏感性和特异性,这比文献中其他广泛使用的ML分类器和方法优于其他广泛使用的ML分类器和方法。接下来,我们介绍了高级集合模型,包括堆叠和投票分类器,对原始和Smote-enn数据集进行评估。此外,具有SQLite集成的烧瓶框架可以使用户注册,签名和测试增强了项目功能和用户交互。索引术语 - 信用卡,深度学习,集合学习,欺诈检测,机器学习,神经网络。
主要关键词