کشف تقلب در داده‌های مالی از طریق به‌کارگیری رویکرد جمعی در مراحل مدل‌سازی و انتخاب ویژگی

امروزه تقلب در داده‌های مالی به یک نگرانی جدی در سطح جهانی تبدیل ‌شده‌است. کشف به‌هنگام تقلب می‌تواند مانع از وقوع تقلبات بیش‌تر شده و از خسارات مالی جلوگیری کند. در مسئله کشف تقلب، مدل‌های یادگیری جمعی، به دلیل کارایی قابل اطمینان، مورد توجه قرار گرفته‌اند. همچنین مرحله انتخاب ویژگی‌ها، مهمترین مرحله در مسائل داده‌کاوی برای کاهش ویژگی‌های نامربوط از مجموعه داده اصلی است و می‌تواند با کاهش اندازه مجموعه داده «سرعت رده‌بندها» را افزایش و «عملکرد مدل‌ها» را از طریق کاهش احتمال بیش‌برازش بهبود دهد. ما در این مقاله از طریق به‌کارگیری «رویکرد جمعی» در مراحل «مدل‌سازی» و «انتخاب ویژگی‌ها»، به ارائه یک فرایند کشف تقلب جدید می‌پردازیم. در فرایند پیشنهادی، چارچوب entreebam در مرحله مدل‌سازی و چارچوب enofsa در مرحله انتخاب ویژگی‌ها به‌کار گرفته شده‌اند. نتایج تجربی نشان می‌دهد روش پیشنهادی، باعث بهبود دقت، براساس 6 معیار ارزیابی precision، recall، f1-score، auc-pr، mcc و gmean شده و بهترین نتیجه را در مقایسه با کارهای پیشین، به ارمغان می‌آورد.

ensemble-based credit card fraud detection by novel frameworks in modeling and feature selection stages

today, financial data fraud has become a serious global concern. detecting fraud in a timely manner can prevent further fraudulent activities and mitigate financial losses. in the field of fraud detection, ensemble learning models have gained attention due to their reliable performance. additionally, feature selection is a crucial step in data mining problems to reduce irrelevant features from the original dataset, potentially improving the speed of classifiers by reducing dataset size and enhancing model performance by reducing the risk of overfitting. in this paper, we present a novel fraud detection process by employing an ensemble approach in the modeling and feature selection stages. in our proposed approach, we utilize the entreebam framework in the modeling stage and the enofsa framework in the feature selection stage. experimental results demonstrate that our proposed method enhances accuracy according to six evaluation metrics: precision, recall, f1-score, auc-pr, mcc, and gmean, achieving the best results compared to previous works.