شناسایی ناهنجاری در تراکنش‌های مالی با استفاده از الگوریتم جنگل ایزوله (isolation forest)

در این پژوهش، از الگوریتم یادگیری ماشین بدون ‌ناظر جنگل ایزوله (isolation forest) جهت شناسایی ناهنجاری‌ها در تراکنش‌های مالی یک کسب و کار کوچک، استفاده شده است. برای ارزیابی عملکرد مدل، یک مجموعه‌ داده مصنوعی شامل 1000 تراکنش مالی با ویژگی‌های مبلغ، ساعت تراکنش، نوع تراکنش و شناسه مشتری تولید شد. حدود 5% از داده‌ها به‌ صورت هدفمند به‌عنوان ناهنجار طراحی شدند. مدل آموزش‌دیده بر اساس isolation forest توانست با دقت بیش از 96%، ناهنجاری‌ها را شناسایی کند. همچنین نشان داده شد که الگوریتم پیشنهادی در مقایسه با الگوریتم one-class svm، عملکرد بهتری در تفکیک داده‌های عادی از داده‌های ناهنجار دارد. بررسی نمودارهای تصویری و جدول آماری حاصل از الگوریتم مشخص کرد که با وجود چالش‌هایی مانند نرخ بالای هشدار اشتباه، الگوریتم پیشنهادی می‌تواند به عنوان یک ابزار کمکی در سیستم‌های نظارتی مالی برای کسب و کارهای کوچک مورد استفاده قرار گیرد.