Credit card fraud detection using machine learning methodology

Abstract

ABD'de, kredi kartı sahtekarlığı olayları 1998 yılında keskin bir şekilde yükseldi ve SI47 milyon kayıp oldu. Bu sorunu çözmek için finansal kurumlar (FI), biri DS olarak adlandırılan önleyici tedbirler ve dolandırıcılık tespit sistemleri kullanmaktadır. Her ne kadar FDS sahtekarlığı azaltmada iyi sonuçlar gösterse de, bu sistem tarafından işaretlenen vakaların çoğu, düşük soruşturma maliyetleri ve kart sahibinin rahatsızlığıyla sonuçlanan Yanlış Pozitiflerdir. Analiz için kullanılan veriler, büyük Kanada bankalarından biri tarafından sağlanmıştır. Özelliklerin ve eğitim sınıfı dağılımlarının varyasyonları ve kombinasyonlarına dayanarak, bu parametrelerin geliştirilen prototipin performansı üzerindeki etkisini araştırmak için farklı deneyler yapılmıştır. . Sonuçlar, kullanılan yaklaşımın mevcut sistemde iyileştirme potansiyeli olduğunu göstermektedir, ancak daha kapsamlı ve bilgilendirici verilerle geliştirilmesi gereken prototip sistemlerinin geliştirilmesi de dahil olmak üzere daha fazla araştırmaya ihtiyaç vardır.

In USA,credit card fraud occurrences rose sharply in 1998 causing SI47 million in losses. To address this problem,financial institutions (FIs) are employing preventive measures and fraud.detection systems one of which is called DS. Although FDS has shown good results in reducing fraud, the majority of cases being flagged by this system are False Positives resulting in sub-stantial investigation costs and cardholder inconvenience.The possibilities of enhancing the current operation by introducing a post processing system constitute the objective of this research.The data used for the analysis was provided by one of the major Canadian banks Based on variations and combinations of features and training class distributions,different sets of experiments were performed to explore the influence of these parameters on the performance of The prototype developed. The results indicate that the employed approach has a very good potential to improve on the existing system.However further research is required including the development of prototype systems which should be enhanced by more extensive and informative data