基于优化解释性提升机进行信用卡欺诈检测
机器学习
2026-02-09 v1
摘要
针对信用卡欺诈检测中的类别不平衡问题，该研究提出一种基于解释性提升机(Explainable Boosting Machine, EBM)的增强工作流程——该方法经过系统性的超参数调优、特征选择和预处理优化。该研究不依赖可能引入偏差或导致信息损失的常规抽样技术，而是通过优化后的EBM实现了准确性和可解释性之间的有效平衡，实现对欺诈性交易的精准检测，并提供关于特征重要性和相互作用效应的可操作见解。此外，采用Taguchi方法优化数据标准化器的序列以及模型超参数，确保结果具备鲁棒性、可重复性，并经过系统验证的性能提升。在基准信用卡数据上的实验结果表明，ROC-AUC达到0.983，显著优于先前的EBM基线(0.975)，并超越Logistic回归、随机森林、XGBoost和决策树模型。这些结果凸显了可解释机器学习和数据驱动优化在推动金融系统可信欺诈分析方面的潜力。
引用
@article{arxiv.2602.06955,
title = {Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine},
author = {Reza E. Fazel and Arash Bakhtiary and Siavash A. Bigdeli},
journal= {arXiv preprint arXiv:2602.06955},
year = {2026}
}
备注
22 pages, 5 figures, 5 tables