Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular, LGBM (RandomOverSampler), Random Forest ve K-Nearest Neighbors’ın güçlü dolandırıcılık tespit yeteneklerini ortaya koyarken, XGBoost (RandomOverSampler) neredeyse mükemmel AUC’ye ulaşmıştır.
📌 3 Maddede Bu Makale
Özet
Makine öğrenimi (ML) ve derin öğrenme (DL), doğal dil işleme, bilgisayarlı görme ve konuşma tanıma alanlarında dönüştürücü uygulamalara olanak tanıyarak önemli ölçüde ilerlemiştir. Bu ilerleme, özellikle büyük veri kümeleri için doğru ve verimli modelleme gerektirmektedir. Kredi kartı dolandırıcılığı tespitinde, performansı ve güvenilirliği artırmak için çeşitli DL ve ML yaklaşımları kullanılmaktadır. Bu çalışmada, 30 PCA dönüştürülmüş özelliğe ve meşru veya dolandırıcılık için bir ‘Sınıf’ değişkenine sahip 284807 Avrupa işleminden oluşan Creditcard.csv veri kümesi kullanılmıştır. Veri kümesi ön işleme tabi tutulmuş ve hem dengesiz hem de dengeli koşullar altında değerlendirilmiştir. Lojistik Regresyon, Naif Bayes, K-En Yakın Komşu algoritmasıı, Karar Ağaçları, Rastgele Orman, Destek Vektör Makinesi, XGBoost, Gradyan Artırma, LightGBM ve Otokodlayıcılar dahil olmak üzere on model, hassasiyet, geri çağırma, F1 puanı ve AUC kullanılarak değerlendirilmiştir. Uygulamalar Python’da gerçekleştirilmiştir. Bulgular, LGBM (RandomOverSampler), Random Forest ve K-Nearest Neighbors’ın güçlü dolandırıcılık tespit yeteneklerini ortaya koyarken, XGBoost (RandomOverSampler) neredeyse mükemmel AUC’ye ulaşmıştır. Random Forest, XGBoost ve LightGBM gibi topluluk öğrenme yöntemleri ise üstün genelleme ve sağlamlık sergilemiştir. Bu yöntemler, sürekli olarak 0.99’un üzerinde doğruluk puanları ve 0.96’nın üzerinde AUC değerleri elde ederek, sınıf dengesizliğini giderme ve karmaşık dolandırıcılık modellerini belirlemedeki etkinliklerini vurgulamıştır.
Abstract
Machine learning (ML) and deep learning (DL) have significantly advanced, enabling transformative applications in natural language processing, computer vision, and speech recognition. This progress demands accurate and efficient modeling, particularly for large datasets. In credit card fraud detection, diverse DL and ML approaches have been employed to enhance performance and reliability. This study utilized the Creditcard.csv dataset, consisting of 284807 European transactions with 30 PCA-transformed features and a ‘Class’ variable for legitimacy or fraud. The dataset was preprocessed and evaluated under both imbalanced and balanced conditions. Ten models, including Logistic Regression (LR), Naive Bayes (NB), K-Nearest Neighbors (KNN), Decision Trees (DT), Random Forest (RF), Support Vector Machine (SVM), XGBoost, Gradient Boosting (GB), LightGBM (LGBM), and Autoencoders (AE), were assessed using precision, recall, F1 score, and AUC. All experiments were conducted in Python. The findings demonstrate the strong fraud detection capabilities of LGBM (RandomOverSampler), RF, and KNN, while XGBoost (RandomOverSampler) achieved nearly perfect AUC. Ensemble learning methods such as RF, XGBoost, and LGBM demonstrated superior generalization and robustness. These methods consistently achieved accuracy scores above 0.99 and AUC values above 0.96, highlighting their effectiveness in addressing class imbalance and identifying complex fraud patterns.