ارائه رویکردی مبتنی بر یادگیری حساس به هزینه جهت تشخیص تقلب کارت های اعتباری

با توجه به توسعه تکنولوژی، امکان تقلب در حوزه های مختلف از جمله تقلب در بانکداری گسترش یافته است بنابراین، تقلب کارت اعتباری یک مشکل مهم و رو به افزایش در ابنکداری محسوب می شود. با توجه به اینکه سالانه میلیاردها دلار با تقلب کارت اعتباری از دست می رود، در نتیجه ارائه روشی کارا و کاربردی از اهمیت بالایی برخوردار است. در برخورد با مجموعه داده ای نظیر کارت اعتباری که فقط دو کلاس(متقلب و غیرمتقلب) دارد، مشکل عدم توازن رخ می دهد. در این مشکلات، کلاسی که تعداد داده های کمی دارد از دیدگاه یادگیری معمولا مهم ترین است و زمانی که شناسایی اش به درستی انجام نمی گیرد، هزینه های بالایی را ایجاد می کند. بنابراین، این امر به ایجاد حوزه ی پژوهشی یادگیری حساس به هزینه که موثرترین روش جهت رفع مشکل نامتوازن بودن کلاس ها می باشد منجر شده است. هدف از این مقاله، افزایش صحت تشخیص تقلب در کارت های اعتباری می باشد. در روش پیشنهادی ابتدا هزینه هر ویژگی محاسبه می شود و سپس درخت تصمیم حساس به هزینه ایجاد می شود. نتایج نشان می دهد که روش پیشنهادی از نظر معیارهای ارزیابی دقت و F نسبت به روش های پایه دسته بندی شامل J48 ،ID3، بیزین ساده، شبکه بیزن و NBTree برتری دارد و می تواند در جهان واقعی استفاده شود.

کلیدواژه ها:

تشخیص تقلب ، کارت های اعتباری ، یادگیری حساس به هزینه ، درخت تصمیم