12、在线信用卡欺诈分析：机器学习技术的应用

在线信用卡欺诈分析：机器学习技术的应用

1. 引言

信用卡欺诈是指利用信用卡通过交易获取合法资金的盗窃行为。随着信用卡支付的普及，信用卡欺诈检测变得至关重要。其目的是识别欺诈交易，并将其分为合法和欺诈两类。

然而，信用卡欺诈检测面临诸多挑战。一是公开可用的数据有限，难以匹配数据集的模式；二是研究结果常被隐藏和审查，难以建立模型基准；三是安全问题限制了信用卡交易欺诈检测的思想交流。

本文旨在对六种监督机器学习技术进行比较分析，包括逻辑回归、K近邻、朴素贝叶斯、决策树、线性支持向量机和随机森林，以找出最适合信用卡欺诈检测的模型。

2. 相关工作

过去有许多学者在信用卡欺诈检测领域进行了研究：
- Kamaruddin和Ravi开发了结合粒子群优化和双向神经网络的架构用于欺诈检测。
- Santiago等人使用支持向量机检测信用卡交易的合法性，在一个月内识别出40 - 50%的欺诈交易。
- Gomez等人使用神经网络减少不平衡数据并检测欺诈交易。
- Bhattacharyya等人使用随机森林、支持向量机和线性回归进行欺诈检测，随机森林的整体准确率更高。
- Quah等人利用自组织映射的聚类和过滤能力检测信用卡欺诈。
- Panigrahi等人开发了结合规则过滤器、交易历史数据库、贝叶斯学习和Dempster - Shafer加法器的系统。
- Halvaiee等人分析了不同分类技术，认为树和元分类器的性能更好。
- Malini等人比较了KNN、人工神经网络、决策树等算法的优缺点，KNN在欺诈检测中表现出色。

但目前缺乏对多种监督分类器的比