دانشگاه امین
چکیده: (802 مشاهده)
کارتهای اعتباری باعث سرعت بخشیدن و سهولت زندگی تمامی شهروندان و مشتریان بانکها میشود. این امر موجب استفاده گسترده و روزافزون جهت پرداخت آسان پول از طریق تلفن همراه، اینترنت، دستگاههای خودپرداز و غیره میباشد. با وجود محبوبیت کارتهای اعتباری، مشکلات امنیتی مختلف مانند تقلب برای آن وجود دارد. همانطور که روشهای امنیتی بروز میشوند، متقلبان نیز روشهای خود را بروز میکنند که این امر موجب نگرانی بانکها و مشتریان آنها میشود. به همین دلیل محققان سعی کردند راه حل های مختلفی جهت تشخیص، پیشبینی و پیشگیری از تقلب در کارت های اعتباری ارائه دهند. یکی از روشها روش دادهکاوی و یادگیری ماشین است. یکی از با اهمیت ترین مسائل در این زمینه، دقت و کارایی است. در این پژوهش روشهای Gradient Boosting که زیر مجموعه روشهای تجمیعی و یادگیری ماشین هستند را بررسی کرده و با ترکیب روشها نرخ خطا را کاهش و دقت تشخیص را بهبود میدهیم. بنابراین دو الگوریتم LightGBM و XGBoost را مقایسه کرده و سپس آنها را با استفاده از روشهای تجمیعی میانگینگیری ساده و وزندار ترکیب نمودیم و در نهایت مدلها را بوسیله AUC و Recall وscore - F1 و Precisionو Accuracy ارزیابی کردیم. مدل پیشنهادی پس از اعمال مهندسی ویژگی با استفاده از روش میانگینگیری وزندار به ترتیب برای روشهای ارزیابی مذکور به اعدادی معادل 08/95، 57/90، 35/89، 28/88 و 27/99 رسیده است. بر این اساس مهندسی ویژگی و میانگینگیری وزندار تاثیر به سزایی در بهبود دقت پیشبینی و شناسایی داشتند.
شمارهی مقاله: 9
نوع مطالعه:
پژوهشي |
موضوع مقاله:
مقالات گروه امنیت اطلاعات دریافت: 1400/3/5 | پذیرش: 1401/2/21 | انتشار: 1401/12/29 | انتشار الکترونیک: 1401/12/29