基于机器学习的比特币钱包交易可疑活动检测与分析——美国

比特币及其他加密货币在美国的广泛采用已彻底变革了金融格局，提供了前所未有的投资与交易效率机会。本研究的首要目标是开发能够有效识别和跟踪比特币钱包交易中可疑活动的机器学习算法。通过高级分析，本研究旨在创建一种能够识别趋势和异常的模型，以暴露非法活动。本研究特别关注美国境内的比特币交易信息，强调了解交易所经由的环境的重要性。数据集由深入的比特币钱包交易信息组成，包括交易金额、时间戳、网络流量和钱包地址等关键因素。数据集中的所有条目揭示了钱包之间的金融交易信息，包括收到的交易和发出的交易，此类信息对于分析和代表可疑活动的趋势具有重要意义。本研究部署了三种认证算法，其中最突出的是逻辑回归、随机森林和支持向量机。在回顾中，随机森林以最高的 F1 分数脱颖而出，展示了其处理数据中非线性关系的能力。洞察揭示了钱包活动中的显著模式，例如未兑现交易与最终余额之间的相关性。将机器学习算法应用于加密货币跟踪是创建透明和安全美国市场的工具。