Розробка системи виявлення шахрайства у фінансових транзакціях за допомогою методів класичного машинного навчання
Альтернативна назва
Development of a system for detecting fraud in financial transactions using classical machine learning methods
Вантажиться...
Дата
2025
Науковий керівник
Укладач
Редактор
Назва журналу
ISSN
E-ISSN
Назва тому
Видавець
Одеський національний університет імені І. І. Мечникова
Анотація
У роботі досліджено проблему виявлення шахрайства у фінансових транзакціях у контексті цифровізації, розвитку безконтактних оплат і стрімкого поширення електронних платіжних систем. За врахування висхідної тенденції фінансових збитків, пов’язаних з fraud-інцидентами, та обмежень традиційних rule-based систем, акцент зроблено на використанні класичних моделей машинного навчання для задачі бінарної класифікації.
Мета роботи – розробити систему виявлення шахрайства у фінансових транзакціях на основі реалізації та порівняння класичних моделей машинного навчання (Logistic Regression, Random Forest, XGBoost) у
поєднанні з різними методами балансування даних (Random Oversampling, SMOTE, SMOTE- Tomek, ADASYN), зокрема окреслити рекомендації щодо впровадження рішень відповідно до бізнес-потреб фінансових
інфраструктур.
Розроблено функціональну систему виявлення шахрайських транзакцій на основі згаданих алгоритмів із використанням сучасних стратегій ресемплінгу. Виконано попередню обробку та інженерію ознак, побудовано машинні пайплайни з imblearn.pipeline.Pipeline, проведено гіперпараметричну оптимізацію через GridSearchCV, а також оцінено моделі за релевантним набором метрик (PR-AUC, �₂-score, MCC, ROC-AUC тощо).
Отримані результати узагальнено у вигляді практичних рекомендацій щодо інтеграції в банківських інформаційних системах та окреслено перспективи подальших досліджень у сфері протидії фінансовому шахрайству.
This thesis addresses the problem of fraud detection in financial transactions in the context of increasing digitalization, the evolution of contactless payments, and the global expansion of electronic payment systems. Due to the rising financial losses caused by fraud incidents and the shortcomings of rule-based systems, this study focuses on employing classical machine learning approaches to tackle binary classification problems in imbalanced datasets. The main objective of the thesis is to develop a fraud detection system based on the implementation and comparison of classical machine learning models (Logistic Regression, Random Forest, XGBoost), in combination with different data balancing techniques (Random Oversampling, SMOTE, SMOTE-Tomek, ADASYN), and to formulate recommendations for practical deployment within financial infrastructures. A functional detection system was built using the aforementioned algorithms, enhanced with advanced resampling strategies. The dataset was preprocessed and engineered using techniques such as logarithmic transformation and PCA standardization. Pipelines were constructed via imblearn.pipeline.Pipeline, and hyperparameter tuning was performed using GridSearchCV. The models were evaluated using an extended set of metrics including PR-AUC, �₂-score, MCC, and ROC-AUC. The results are consolidated into practical implementation recommendations for banking systems and outline avenues for further research in the area of financial fraud mitigation.
This thesis addresses the problem of fraud detection in financial transactions in the context of increasing digitalization, the evolution of contactless payments, and the global expansion of electronic payment systems. Due to the rising financial losses caused by fraud incidents and the shortcomings of rule-based systems, this study focuses on employing classical machine learning approaches to tackle binary classification problems in imbalanced datasets. The main objective of the thesis is to develop a fraud detection system based on the implementation and comparison of classical machine learning models (Logistic Regression, Random Forest, XGBoost), in combination with different data balancing techniques (Random Oversampling, SMOTE, SMOTE-Tomek, ADASYN), and to formulate recommendations for practical deployment within financial infrastructures. A functional detection system was built using the aforementioned algorithms, enhanced with advanced resampling strategies. The dataset was preprocessed and engineered using techniques such as logarithmic transformation and PCA standardization. Pipelines were constructed via imblearn.pipeline.Pipeline, and hyperparameter tuning was performed using GridSearchCV. The models were evaluated using an extended set of metrics including PR-AUC, �₂-score, MCC, and ROC-AUC. The results are consolidated into practical implementation recommendations for banking systems and outline avenues for further research in the area of financial fraud mitigation.
Опис
Ключові слова
122 комп’ютерні науки, бакалавр, фінансове шахрайство, машинне навчання, бінарна класифікація, SMOTE, ADASYN, XGBoost, Random Forest, дисбаланс класів, PR-AUC, 𝐹₂-score, financial fraud, machine learning, binary classification, class imbalance
Бібліографічний опис
Кобець, В. О. Розробка системи виявлення шахрайства у фінансових транзакціях за допомогою методів класичного машинного навчання = Development of a system for detecting fraud in financial transactions using classical machine learning methods : кваліфікаційна робота бакалавра / В. О. Кобець. – Одеса, 2025. – 107 с.