高级支付安全系统:XGBoost、CatBoost 和 SMOTE 集成
信用卡欺诈检测是金融领域的一个重要挑战,需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法,将神经网络(NN)和合成少数类过采样技术(SMOTE)结合起来,以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题,专注于技术的进步,用于强大而准确的欺诈检测。结果表明,相比传统模型,NN 和 SMOTE 的整合在精确度、召回率和 F1 得分方面表现出优越性,凸显其作为处理不平衡数据集的信用卡欺诈检测场景中的先进解决方案的潜力。本研究为开发有效和高效的机制来保护金融交易免受欺诈活动的努力做出了贡献。
Feb, 2024
本论文研究了信用卡欺诈检测的难点 - 数据集不平衡的问题,采用随机森林算法和合成少数过采样技术(SMOTE)以提高欺诈检测的准确性,在信用卡交易数据集上实验,成功实现了欺诈检测的 98% 准确率。
Mar, 2023
在消费借贷领域,准确的信贷违约预测是风险缓解和借贷决策优化的关键要素,本研究通过引入创新方法挑战传统模型,构建了一个由 LightGBM、XGBoost 和 LocalEnsemble 模块组成的集成方法框架,通过利用独特的特征集直接解决了之前研究中的局限性,旨在为信贷违约预测准确性建立新的标准,实验证明了集成模型在数据集上的有效性,为推动信贷违约预测模型的准确性和稳健性树立了先例。
Feb, 2024
本文使用不同大小和类别分布的数据集评估 XGBoost 在欺诈检测中的性能,并提出了数据准备管道和比较,发现随机搜索微调对大型数据集有一致的改进,但对于中小型数据集则不是如此。在数据不平衡的情况下,训练集平衡化并不能提供一致的改进,因此未来的工作将包括对处理数据不平衡的不同技术以及评估其他方法的系统研究。
Mar, 2023
通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择,本研究致力于创新应用于更可靠和精确的欺诈检测,通过与多个广泛采用的模型进行性能比较,包括支持向量机(SVM),随机森林,神经网络和逻辑回归等,比较指标如 Precision,Recall 和 F1 Score,结果表明 Transformer 模型在传统应用中表现出色,并在欺诈检测等领域展示了巨大潜力,为该领域带来实质性进展。
Jun, 2024
本研究探讨了异常检测方法在不平衡学习任务中的应用,重点关注使用真实的在线信用卡支付数据进行欺诈检测。我们评估了几种最近的异常检测方法的性能,并与标准监督学习方法进行比较。我们的发现表明,LightGBM 在所有评估指标上表现明显优于其他方法,但对分布变化更敏感。此外,我们的调查还发现,LightGBM 也能够捕获大部分异常检测方法所发现的欺诈行为,这一观察挑战了使用集成方法结合监督学习和异常检测方法以提高性能的潜在益处。总之,本研究为这些技术在实际场景中的实用性提供了实质性的见解,展示了 LightGBM 在欺诈检测中的优势,并突显了与分布变化相关的挑战。
Dec, 2023
该研究使用机器学习模型,对埃塞俄比亚一家私人银行提供的数据进行分析,发现 XGBoost 模型在 KMeans SMOTE 过采样数据上取得了最高的 F1 分数,而评估信贷风险时,申请人的年龄、就业年限和总收入等因素比抵押相关的因素更为重要。
Aug, 2022
本研究使用公共 eICU-CRD 数据集和韩国圣玛丽医院的私人数据集,对 LightGBM 和 XGBoost 两种集成学习方法进行比较分析,发现这些方法在处理医疗数据不平衡和增强脓毒症检测方面的有效性。具体而言,LightGBM 在计算效率和可扩展性方面略胜一筹。该研究为机器学习在危重护理中的广泛应用铺平了道路,从而全球扩展了预测分析在医疗保健中的应用。
Nov, 2023
心血管疾病与吸烟、血压升高和胆固醇水平的关联突出了这些危险因素的重要性。本研究使用六种不同的机器学习模型进行比较分析:Logistic 回归、支持向量机、决策树、包装法、XGBoost 和 LightGBM。结果表明,XGBoost 作为表现最佳的模型,显示了提高冠状动脉梗塞预测精确性的潜力。
Nov, 2023