یک روش یادگیری بدون نظارت برای تشخیص الگوهای غیرمعمول و ناهنجاری در داده های تراکنشی

در عصر داده محور کنونی، تشخیص ناهنجاری در داده های تراکنشی نقش حیاتی در شناسایی رفتارهای غیرعادی، کشف تقلب، و ارتقاء امنیت سامانه های مالی و تجاری ایفا می کند. با توجه به ماهیت پیچیده و پویا بودن تراکنش ها، استفاده از روش های یادگیری بدون نظارت به عنوان رویکردی موثر برای کشف الگوهای غیرمعمول بدون نیاز به برچسب گذاری دستی، اهمیت فزاینده ای یافته است. در این پژوهش، یک چارچوب نوین مبتنی بر یادگیری بدون نظارت برای شناسایی ناهنجاری ها در داده های تراکنشی ارائه شده است. الگوریتم های متنوعی از جمله جنگل جداسازی (Isolation Forest)، ماشین بردار پشتیبان یک کلاسه (One-Class SVM) و عامل دورافتاده محلی (Local Outlier Factor) به کار گرفته شده اند تا رفتارهای غیرعادی در داده های واقعی شناسایی شوند. داده ها پس از پیش پردازش و نرمال سازی، با استفاده از معیارهای ارزیابی مانند نرخ کشف ناهنجاری، دقت و F۱-Score مورد تحلیل قرار گرفته اند. نتایج تجربی نشان می دهد که روش ترکیبی، توان بالایی (دقت ۹۹.۶%) در شناسایی الگوهای ناهنجار در داده های تراکنشی دارد. این چارچوب می تواند به عنوان پایه ای برای توسعه سیستم های هوشمند کشف تقلب و تحلیل رفتاری در حوزه های مالی، بانکی و تجارت الکترونیک مورد استفاده قرار گیرد.

کلیدواژه ها:

روش یادگیری بدون نظارت ، تشخیص الگوهای غیرمعمول ، ناهنجاری ، داده های تراکنشی ، جنگل جداسازی