مقایسه عملکرد مدل های یادگیری عمیق در تشخیص تقلب کارت اعتباری

تشخیص تقلب در تراکنش های کارت اعتباری به دلیل نامتعادلی داده ها و پیچیدگی الگوهای زمانی، نیازمند مدل های کارآمد یادگیری عمیق است. این پژوهش عملکرد سه مدل شبکه کانولوشنی (CNN)، حافظه کوتاه مدت بلندمدت (LSTM)، و عصبی بازگشتی (RNN) را برای تشخیص تقلب با استفاده از مجموعه داده Creditcard.csv مقایسه می کند. هدف، شناسایی نقاط قوت و ضعف هر مدل در معیارهای دقت، صحت، فراخوانی، و امتیاز F۱ است. روش تحقیق شامل پیش پردازش داده ها (استانداردسازی و حذف داده های پرت)، طراحی مدل ها با معماری های متمایز، و ارزیابی مقایسه ای با تحلیل آماری بود. یافته ها نشان داد CNN با دقت ۹۹.۹۳% و امتیاز F۱ برابر ۸۹.۷۸% بهترین عملکرد را دارد، در حالی که RNN با دقت ۸۹.۹۵% ضعیف تر عمل کرد. نتایج، برتری CNN و LSTM در داده های نامتعادل را تایید کرد، اما RNN برای سیستم های کم منبع مناسب تر است. پیشنهاد می شود مدل های ترکیبی برای بهبود فراخوانی بررسی شوند.

کلیدواژه ها:

تشخیص تقلب ، کارت اعتباری ، یادگیری عمیق ، CNN ، LSTM ، RNN