Fraud Identification in Financial Transactions: Machine Learning-Based Anomaly Detection Method
Notice bibliographique
Résumé
Two major financial crimes that have reached epidemic proportions worldwide are credit card holder fraud and financial statement fraud. The efficacy of corporate governance, the calibre of financial reports, and the legitimacy of audit functions have all suffered from the collapse of well-known corporations. Credit card theft and financial statement fraud have grown to be serious problems for organizations worldwide. The predicted accuracy scores of Support Vector Classifiers (SVM) and Logistic Regression were found to be greater than those of the other classifiers employed in the unbalanced training dataset. An experimental model that first applies the class balancing technique to transform the unbalanced dataset into a balanced data set was developed in alignment with the research purpose and to design a model to improve results and reduce False Negative Rate. Using a nonlinear support vector machine model, a classifier was trained on the dataset. The AUC score of the suggested model was higher. By creating a new, selected hybrid class balancing technique and using the Random Forester algorithm to create an optimum classifier and analyse the outcomes, the experimental model of class balancing was further refined. Based on the results of this experiment, it was found that the suggested approach outperforms the prior model, generates a good AUC score, and maximizes false negatives. The approach can be used to address other comparable categorization issues for better results. It is not just restricted to online financial transactions; it also aids in lowering false negatives in credit card fraud transactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».