保障交易安全：一种基于 IHT-LR 和网格搜索的混合可靠集成机器学习模型
机器学习
2024-02-23 v1 综合金融
摘要
金融机构和企业面临着欺诈交易的持续挑战，迫切需要有效的检测方法。检测信用卡欺诈对于识别和防止未经授权的交易至关重要。及时检测欺诈使调查人员能够迅速采取行动以减轻进一步损失。然而，调查过程往往耗时，限制了每天可以彻底审查的警报数量。因此，欺诈检测模型的主要目标是在最小化误报和漏报欺诈案件的同时提供准确的警报。在本文中，我们引入了一种最先进的混合集成（ENS）可靠机器学习（ML）模型，该模型智能地结合了多种算法，并利用网格搜索进行适当的加权优化，包括决策树（DT）、随机森林（RF）、K-近邻（KNN）和多层感知机（MLP），以增强欺诈识别。为解决数据不平衡问题，我们将即时硬度阈值（IHT）技术与逻辑回归（LR）结合使用，超越了传统方法。我们的实验在一个包含 284,807 笔交易的公开信用卡数据集上进行。所提出的模型在 DT、RF、KNN、MLP 和 ENS 模型上分别取得了 99.66%、99.73%、98.56% 和 99.79% 的令人印象深刻的准确率，以及完美的 100% 准确率（针对 ENS 模型）。该混合集成模型优于现有工作，为高频场景下的欺诈交易检测树立了新基准。结果突显了我们方法的有效性和可靠性，展示了卓越的性能指标，并证明了其在现实世界欺诈检测应用中的巨大潜力。
引用
@article{arxiv.2402.14389,
title = {Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search},
author = {Md. Alamin Talukder and Rakib Hossen and Md Ashraf Uddin and Mohammed Nasir Uddin and Uzzal Kumar Acharjee},
journal= {arXiv preprint arXiv:2402.14389},
year = {2024}
}
备注
Q1, Scopus, ISI, ESCI, IF: 4.8 (Accepted on Jan 19, 2024 - Cybersecurity, Springer Open Journal)