提升自动提款机网络质量评估精度：基于机器学习与多分类器融合的方法
机器学习
2025-01-03 v1
摘要
确保可靠的 ATM 服务对于现代银行至关重要，直接影响客户满意度和金融机构的运营效率。本研究引入一种数据融合方法，利用多分类器融合技术，特别关注堆叠分类器（Stacking Classifier），以增强 ATM 网络的可靠性。为解决类别不平衡问题，应用平滑少数过采样技术（SMOTE），实现频繁事件和罕见事件的平衡学习。该框架在堆叠分类器中集成了多种分类模型——随机森林、LightGBM 和 CatBoost，实现了误报率从 3.56% 降低至仅 0.71%，并实现了惊人的 99.29% 的总体准确率。这种多分类器融合方法综合了各个模型的优势，实现了显著的成本节省和运营决策改进。通过展示机器学习和数据融合在优化 ATM 状态检测方面的力量，本研究为寻求提升 ATM 网络性能和客户满意度的金融机构提供了实用且可扩展的解决方案。
引用
@article{arxiv.2501.01067,
title = {Enhancing Precision of Automated Teller Machines Network Quality Assessment: Machine Learning and Multi Classifier Fusion Approaches},
author = {Alireza Safarzadeh and Mohammad Reza Jamali and Behzad Moshiri},
journal= {arXiv preprint arXiv:2501.01067},
year = {2025}
}