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

امروزه تقلب در دادههای مالی به یک نگرانی جدی در سطح جهانی تبدیل شدهاست . کشف به هنگام تقلب می تواند مانع از وقوع تقلبات بیش تر شده و از خسارات مالی جلوگیری کند. در مسئله کشف تقلب ، مدلهای یادگیری جمعی ، به دلیل کارایی قابل اطمینان، مورد توجه قرار گرفته اند. همچنین مرحله انتخاب ویژگی ها، مهمترین مرحله در مسائل داده کاوی برای کاهش ویژگی های نامربوط از مجموعه داده اصلی است و می تواند با کاهش اندازه مجموعه داده » سرعت ردهبندها« را افزایش و »عملکرد مدلها« را از طریق کاهش احتمال بیش برازش بهبود دهد. ما در این مقاله از طریق به کارگیری »رویکرد جمعی « در مراحل »مدلسازی « و »انتخاب ویژگی ها«، به ارائه یک فرایند کشف تقلب جدید می پردازیم . در فرایند پیشنهادی ، چارچوب ENTREEBAM در مرحله مدلسازی و چارچوب ENoFSA در مرحله انتخاب ویژگی ها به کار گرفته شدهاند. نتایج تجربی نشان می دهد روش پیشنهادی ، باعث بهبود دقت ، براساس ۶ معیار ارزیابی Precision، Recall، F۱-Score، AUC-PR، MCC و GMean شده و بهترین نتیجه را در مقایسه با کارهای پیشین ، به ارمغان می آورد.

کلیدواژه ها:

کشف تقلب ، یادگیری ماشین ، انتخاب ویژگی ، یادگیری جمعی ، داده کاوی