کشف تقلب در کارت اعتباری با بکارگیری رویکرد تجزیه و تحلیل تفکیک اصلاح شده فیشر

تقلب در کارت های بانکی به کلاهبرداری یا تقلب به وسیله کارت بانکی یا هر گونه ساز وکار پرداخت مشابه گفته می شود که از منبع متقلبانه در تراکنش انجام میشود. هدف کلی تحقیق بررسی تاثیر بکارگیری تفکیک فیشر به منظور تشخیص تقلب در کارتهای اعتباری هدف این مطالعه بوده است .که در این تحقیق از سه الگوریتم فیشر((LDAشبکه عصبی و درخت تصمیم استفاده شده است که هدف از مقایسه ی این الگوریتم ها شناسایی تقلب در کارت های بانکی و شناسایی بهتر تراکنش های متقلبانه از میان تراکنش ها و به دست آوردن الگوریتم بهینه است . نتایج حاصل از تحقیق نشان داد که : در هر سه الگوریتم از نسبت ۷۰ به ۳۰ برای آموزش و تست استفاده شده است . مقایسه با دوالگوریتم پایه درخت تصمیم و شبکه عصبی موجود در نرم افزارWEKA با نسبت ۷۰ درصد برای آموزش و ۳۰ درصد تست انجام شد. دسته بندی شبکه عصبی پرسپترون در مرحله تست ۳۵۶۵ داده که برچسب عدم تخلف را دارند به درستی به گروه سالم (N) دسته بندی شده اند و ۴۸ مورد از داده های تراکنش سالم به اشتباه برچسب تخلف (Y) خورده اند. همچنین ۳۲ مورد نیز به درستی تخلف شناسایی شده اند و ۱۱۸ مورد نیز به اشتباه در گروه سالم قرار گرفته و شناسایی نشده اند. دسته بندی درخت تصمیم در مرحله تست ۳۶۱۳ داده که برچسب عدم تخلف را دارند به درستی به گروه سالم (N) دسته بندی شده اند و هیچ مورد از داده های تراکنش سالم به اشتباه برچسب تخلف (Y) نخورده اند. همچنین هیچ یک از داده های تخلف به درستی شناسایی نشده اند و همگی یعنی ۱۵۰داده به اشتباه در گروه سالم قرار گرفته و به عنوان تراکنش سالم شناسایی شده اند. معیار اصلی ما در این تحقیق هزینه یاcost می باشد که هر چقدر کمتر باشد نتیجه کار بهتر است . میزان cost درالگوریتم فیشر((LDAبرابر با۹۲۵۸ می باشد که از دو الگوریتم دیگر کمتر است در حالی که دقت (ACCURACY) حاصل از شبکه عصبی پرسپترون با۹۶%بیشتر از سایر روش هاست و fp ration در الگوریتم فیشر برابر با ۷۲/۱است که بیشتر از دو روش دیگر است .

کلیدواژه ها:

کشف تقلب ، کارت اعتباری ، روش تحلیل فیشر ، تابع تفکیک خطی ، روش تفکیک اصلاح شدهفیشر ، شبکه عصبی ، درخت تصمیم