AI Summary & Key Takeaways
AI InsightThese findings indicate that constraint-aware threshold optimization can improve the practical decision quality of ensemble-based fraud detection systems without requiring retraining of the underlying classifiers.
📌 3 Key Takeaways
Abstract
Credit card fraud detection is a challenging binary classification problem due to extreme class imbalance and the operational cost asymmetry between false negatives and false positives. Although high-performing classifiers can provide strong probability estimates, their practical effectiveness depends heavily on how these probabilities are converted into final fraud decisions. This study proposes a constraint-aware soft voting ensemble framework that explicitly separates model training from decision threshold selection. The framework combines the probabilistic outputs of XGBoost, LightGBM, and Decision Tree classifiers through soft voting and then determines the final decision threshold on a validation set under predefined minimum recall and precision constraints. Unlike conventional approaches that rely on fixed probability thresholds, the proposed method aligns the classification decision with operational fraud detection requirements. Experimental results on a highly imbalanced credit card fraud dataset show that the proposed ensemble achieves a precision of 0.9000, recall of 0.8514, F1-score of 0.8750, ROC-AUC of 0.9525, and PR-AUC of 0.8441. The confusion matrix further demonstrates that the framework maintains a low false-positive rate while detecting most fraudulent transactions. These findings indicate that constraint-aware threshold optimization can improve the practical decision quality of ensemble-based fraud detection systems without requiring retraining of the underlying classifiers.
Özet
Kredi kartı dolandırıcılığı tespiti, aşırı sınıf dengesizliği ve hatalı negatifler ile hatalı pozitifler arasındaki operasyonel maliyet farklılıkları nedeniyle zorlu bir ikili sınıflandırma problemidir. Yüksek performanslı sınıflandırıcılar güçlü olasılık tahminleri üretebilse de, bu tahminlerin pratik başarımı büyük ölçüde nihai dolandırıcılık kararlarına nasıl dönüştürüldüğüne bağlıdır. Bu çalışmada, model eğitimi ile karar eşiği seçimini açık biçimde birbirinden ayıran kısıt farkındalıklı bir yumuşak oylama topluluk çerçevesi önerilmektedir. Önerilen çerçeve; XGBoost, LightGBM ve karar ağacı sınıflandırıcılarının olasılıksal çıktılarını yumuşak oylama yöntemiyle birleştirmekte ve nihai karar eşiğini doğrulama veri seti üzerinde önceden tanımlanmış minimum duyarlılık ve kesinlik kısıtları altında belirlemektedir. Sabit olasılık eşiklerine dayanan geleneksel yaklaşımlardan farklı olarak önerilen yöntem, sınıflandırma kararını dolandırıcılık tespit sistemlerinin operasyonel gereksinimleriyle uyumlu hale getirmektedir. Aşırı dengesiz kredi kartı dolandırıcılığı veri seti üzerinde gerçekleştirilen deneylerde önerilen topluluk modeli 0,9000 kesinlik, 0,8514 duyarlılık, 0,8750 F1-skoru, 0,9525 ROC-AUC ve 0,8441 PR-AUC değerlerine ulaşmıştır. Karmaşıklık matrisi sonuçları, çerçevenin düşük hatalı pozitif oranını korurken dolandırıcılık işlemlerinin büyük bölümünü tespit edebildiğini göstermektedir. Bulgular, kısıt farkındalıklı eşik optimizasyonunun, temel sınıflandırıcıların yeniden eğitilmesine gerek kalmadan topluluk tabanlı dolandırıcılık tespit sistemlerinin pratik karar kalitesini artırabileceğini göstermektedir.