面向在线欺诈检测的传统与集成机器学习模型综合性能比较
机器学习
2025-09-23 v1
摘要
在数字经济驱动的时代，数字支付系统和其他线上活动呈指数级增长，伴随而来的是各种形式的欺诈活动，其中信用卡欺诈日益成为重大威胁。为此，实时欺诈检测对于金融安全至关重要，但由于高交易量和现代欺诈模式的复杂性，这仍具有挑战性。本研究对比评估了用于检测信用卡欺诈的传统机器学习模型（如随机森林、SVM、逻辑回归、XGBoost）和集成方法（如堆叠 Stacking 和投票分类器 Voting Classifier），该数据集 severely 不平衡，总交易笔数为 284,807 笔，其中欺诈交易仅 492 笔。应用了特定的预处理技术，并使用各种性能指标对模型进行评估。集成方法在几乎精确率方面达到约 0.99，但传统方法在召回率方面表现优越，这突显了误报率与漏报率之间的权衡。综合比较揭示了每个算法的 distinct 性能优势与局限，为在实际场景中选择最有效模型进行稳健欺诈检测提供了见解。
引用
@article{arxiv.2509.17176,
title = {A Comprehensive Performance Comparison of Traditional and Ensemble Machine Learning Models for Online Fraud Detection},
author = {Ganesh Khekare and Shivam Sunda and Yash Bothra},
journal= {arXiv preprint arXiv:2509.17176},
year = {2025}
}
备注
6 pages, 6 figures. Presented at IEEE INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION AND NETWORKING TECHNOLOGIES (ICCCNT), 2025