روش نمونهگیری جدید و رویکرد درختی تقویتکننده گرادیان برای تشخیص تقلب بین کانالی
| عنوان | روش نمونهگیری جدید و رویکرد درختی تقویتکننده گرادیان برای تشخیص تقلب بین کانالی |
|---|---|
| نویسنده | سلام، اوگور |
| تاریخ انتشار: | 2023-02-15T05:40:15Z |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | d48e50a4-3239-4b7f-afe9-3ba50e9f100a |
| محل کتابخانه | گروه علوم داده |
| تاریخ | 2023-02-15T05:40:15Z |
| متن نمونه | جدیدترین تحقیقات روی صدها مؤسسه مالی نشان داد که تنها 26 درصد از آنها تیمی دارند که برای کشف تقلب بین کانالی تعیین شده است. با توجه به فناوری های در حال توسعه، تکنیک های کلاهبرداری مختلفی در محیط های دیجیتال ظهور و افزایش یافته است. کلاهبرداری مستقیماً بر رضایت مشتری تأثیر می گذارد. به عنوان مثال، تنها در بریتانیا، مجموع زیان تراکنشهای کلاهبرداری در سال 2020 1.26 میلیارد پوند بود. در این مطالعه، ما با رویکردی مبتنی بر درخت تقویت کننده گرادیان (GBT) برای شناسایی کارآمد کلاهبرداریهای بین کانالی مواجه شدیم. به عنوان بخشی از رویکرد پیشنهادی ما، الگوریتمی را توسعه دادیم که قادر به تولید یک مجموعه آموزشی بهینه برای آموزش مدل و غلبه بر مشکلات داده های نامتعادل است. این راهحل درک مفهوم رانش را برای مدل آسانتر کرد، مشکل اصلی دیگری که از تغییر رفتار مشتری ناشی میشود. ما عملکرد مدل GBT خود را با ادغام ویژگی های جمعیت شناختی، اقتصادی و رفتاری اضافی به عنوان بخشی از مهندسی ویژگی افزایش می دهیم. روش های تنظیم فراپارامتر بهترین پارامترها را برای مدل پیدا می کند. عملکرد تشخیص تقلب بین کانالی مدل بر روی یک مجموعه داده بانکی واقعی ارزیابی میشود که از نظر تقلب بسیار نامتعادل است که چالش دیگری در مشکل کشف تقلب است. ما از مدل آموزش دیده خود برای امتیاز دهی به تراکنش های متقابل در زمان واقعی توسط یک بانک خصوصی پیشرو در ترکیه استفاده می کنیم. در نتیجه، رویکرد ما میتواند تقریباً 75 درصد از کل ضرر کلاهبرداری را در یک ماه با نرخ مثبت کاذب پایین و تعداد تماسهای قابل قبول دریافت کند. bir ekibe sahip olduğu ortaya çıktı. Gelişen teknolojiler neticesinde dijital ortamlarda çeşitli dolandırıcılık yöntemleri ortaya çıkmıştır ve var olan yöntemler gelişmiştir. Sahte işlemler, direkt olarak müşteri memnuniyetine etki eder. اورنگین، 2020 ییلندا سادسه بیرلشیک کرالیکتا دولاندیریکیلیک ایشلملریندن اورتایا چیکان توپلام کایپ 1.26 میلیار پوند. Bu çalışmada, kanallar arası sahtekarlıkları verimli bir şekilde tespit etmek için درخت تقویت کننده گرادیان (GBT) tabanlı bir yaklaşım uygulandı. Çalışmada önerilen yaklaşımın bir parçası olarak، modeli eğitmek ve dengesiz veri sorunlarının üstesinden gelmek için optimize edilmiş bir eğitim seti oluşturabilen bir algoritma geliştirdik. Bu çözüm, modelin değişen müşteri davranışından kaynaklanan bir diğer önemli sorun olan kavram kaymasını anlamasını kolaylaştırdı. Öznitelik mühendisliğinin bir parçası olarak var olan özniteliklere ek demografik, ekonomik ve davranışsal öznitelikleri entegre ederek GBT modelinin performansı arttırıldı. Hiper parametre optimization yöntemleri, model i ̧cin en iyi parametrelerin bulunmasında kullanıldı. Dolandırıcılık tespit problemindeki bir diğer zorluk olan, dolandırıcılık açısından oldukça dengesiz olan gerçek bir bankacılık veri seti u ̈zerinde bu çalışmada geliştirilen kanallar arası dolandırıcılöntelıkıns. Türkiye'nin önde gelen özel bankalarından birinin gerçek zamanlı ve tarihsel çapraz kanal işlemlerini puanlamak için eğitimli modelimizi kullanıyoruz. Bu çalışmanın sonucunda uygulanan yaklaşım، دوشوک بیر یانلیش پوزیتیف اورانییلا دولاندیریجیلیک ایشلملری ندنییله بیر آیدا گرچکله ̧سن توپلام کایبین نردئیسه %75 اینی یاکالایابیلر. |
